关于Apollo25预测系统的内容分享
在第4期Apollo自动驾驶公开课中，来自Apollo团队的高级研发工程师詹锟老师为大家带来了关于Apollo25预测系统的内容分享。
詹锟老师主要从三个方面讲解了Apollo25的预测系统：第一自动驾驶为什么需要预测，预测的作用是什么，如果没有预测会怎样；第二从代码层面详述Apollo的预测系统代码是如何实现的，每个模块的功能，如果开发者要改动或者修改应该怎么介入；第三Apollo预测系统在实际场景中所遇到的困难，以及解决方案。这里，我们将整理后的公开课视频和资料分享给大家，没能到达现场的开发者可以通过视频和PPT资料来详细了解课程内容。Apollo25预测系统介绍预测模块是连接感知和决策规划的桥梁，结合物理世界的人类行为习惯进行适当的逻辑推理，将周围障碍物下一时刻和后续多个时刻的运动行为进行估计，给出对应可能的运动轨迹线。詹锟老师主要从代码层面剖析Apollo25的预测系统。
Apollo代码架构预测部分分为3个部分，第一个是Co
tai
er，作用是合理规划整合上游数据，处理历史信息；第二部分是评估、评价，是预测系统的核心，非常适用于神经网络的学习，建立合理模型，使其找到人类的历史行为轨迹，预测路线。通过第二部分的推理，系统会绘制出物体的行为轨迹，并将结果传递给决策规划层。Co
tai
er
首先是Co
tai
er，ADCtrajectory可以通过路权做合理的推理，让障碍物不直接发生预测。第二是构建来自感知障碍物、定位和高精图等序列化特征。第三是本车的状态。除了上面的特征抽取以外，更重要一步是需要把地图信息进行合理的规划。
f如何在复杂的物理世界中，把地图数据进行合理的刻画，这是非常重要的步骤。通过把每条La
e，拆分成小的La
e，La
e1、La
e2、La
e3，按照前后级关系，组成具体的序列，每个序列上车都可以沿着其中一个序列进行走，就是这个车的轨迹线。上图可以看到红车有可能走三条轨迹线，就是La
e1、La
e2、La
e3，根据当前的地图信息和当前的La
e的位置状态，刻画出这样具有特征表达的地图信息出来，只有物理识别信息进行合理表达，才能进行网络学习、数据驱动，这是根据地图特征信息抽取非常重要的部分。
在Apollo代码里，表达出每个特征的特性，如上图左边是关于障碍物的特征，包含了车的位置信息、速度信息、加速信息、位置方向还有它的长、宽、高等等，右边是代表它的La
e信息，把细小的La
e，组成La
efeature。这就是Co
tai
er需要做的事情。Evaluator
第二部是逻辑推理阶段，这也是预测直接使用神经网络的r