使用GP的方法探索機(jī)動(dòng)的潛在執(zhí)行空間：可以從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)每個(gè)機(jī)動(dòng)的GP，并以生成方式使用GP來(lái)創(chuàng)建每個(gè)機(jī)動(dòng)的樣本軌跡。

使用RRT的方法探索機(jī)動(dòng)的潛在執(zhí)行空間：可以通過(guò)在車(chē)輛演化模型的輸入空間中采樣點(diǎn)，根據(jù)估計(jì)的機(jī)動(dòng)意圖在采樣中應(yīng)用偏差來(lái)生成RRT樹(shù)。這種方法的優(yōu)點(diǎn)是它總是為機(jī)動(dòng)生成動(dòng)態(tài)可行的軌跡，作為軌跡的替代。

圖30  三種不同方法對(duì)比

局限性：

實(shí)際上，車(chē)輛相互獨(dú)立移動(dòng)的假設(shè)不成立。車(chē)輛與其他車(chē)輛共用道路，一輛車(chē)的機(jī)動(dòng)動(dòng)作必然會(huì)影響其他車(chē)輛的機(jī)動(dòng)動(dòng)作。在道路交叉口，車(chē)輛間的依賴(lài)性特別強(qiáng)，優(yōu)先權(quán)規(guī)則迫使車(chē)輛考慮其他車(chē)輛的機(jī)動(dòng)。忽視這些相關(guān)性可能導(dǎo)致對(duì)情況的錯(cuò)誤解釋?zhuān)⒂绊戯L(fēng)險(xiǎn)評(píng)估。

1.4.2.3基于交互感知的運(yùn)動(dòng)模型（Interaction-aware motion models）：

交互感知運(yùn)動(dòng)模型考慮了車(chē)輛機(jī)動(dòng)之間的相互依賴(lài)性，是迄今為止文獻(xiàn)中提出的最全面的模型。與基于物理的運(yùn)動(dòng)模型相比，它們?cè)试S更長(zhǎng)期的預(yù)測(cè)，并且比基于機(jī)動(dòng)的運(yùn)動(dòng)模型更可靠，因?yàn)樗鼈兛紤]了車(chē)輛之間的相關(guān)性。但文獻(xiàn)中很少有交互感知運(yùn)動(dòng)模型。它們一般有兩種方法：一種是基于原型軌跡，一種是基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。

基于軌跡原型的方法，在學(xué)習(xí)階段不能考慮車(chē)輛間的影響，因?yàn)橛纱水a(chǎn)生的運(yùn)動(dòng)模式數(shù)很快就會(huì)變得難以處理。然而，可以通過(guò)假設(shè)駕駛員在能夠避免碰撞時(shí)有強(qiáng)烈的傾向來(lái)考慮匹配階段的相互影響。導(dǎo)致不可避免碰撞的成對(duì)軌跡在匹配過(guò)程中會(huì)受到懲罰，因此，這樣就篩選出了安全軌跡。這種方法是在使用軌跡原型時(shí)考慮相互依賴(lài)性的一種較好的解決方法。然而，建模其他類(lèi)型的影響的問(wèn)題仍然存在，因?yàn)橐惠v車(chē)對(duì)另一輛車(chē)軌跡的影響無(wú)法直接建模。

基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的模型的方法：大多數(shù)交互感知運(yùn)動(dòng)模型都是基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）的。多個(gè)移動(dòng)實(shí)體之間的成對(duì)依賴(lài)關(guān)系用耦合HMM（CHMM）建模。

然而，由于可能的成對(duì)依賴(lài)關(guān)系的數(shù)量隨著實(shí)體的數(shù)量呈二次增長(zhǎng)，因此在復(fù)雜的交通情況下，復(fù)雜性是不可管理的。簡(jiǎn)化模型的一種解決方案是通過(guò)假設(shè)周?chē)煌ㄓ绊懜信d趣的車(chē)輛而使CHMM不對(duì)稱(chēng)，但反之亦然。不對(duì)稱(chēng)依賴(lài)的假設(shè)大大降低了問(wèn)題的計(jì)算復(fù)雜性。此后，它被用于許多工作中，尤其是在處理變道和超車(chē)操縱或跟車(chē)時(shí)。

利用交通規(guī)則調(diào)節(jié)車(chē)輛相互作用的方法。多主體影響被分解為成對(duì)依賴(lài)的對(duì)數(shù)線(xiàn)性組合，如：成對(duì)依賴(lài)類(lèi)型為“支路上的車(chē)輛對(duì)主道上車(chē)輛的讓路”。

圖31  基于行為交互運(yùn)動(dòng)模型的軌跡預(yù)測(cè)

一種通過(guò)使用因子狀態(tài)解釋了相互影響：一種能夠同時(shí)估計(jì)交通參與者行為并預(yù)測(cè)其未來(lái)軌跡的濾波器。該濾波器被建模為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。因子化狀態(tài)空間對(duì)因果依賴(lài)進(jìn)行建模，允許以緊湊的方式描述模型，并降低推理過(guò)程的計(jì)算復(fù)雜性。

一種來(lái)模擬道路交叉口處車(chē)輛的聯(lián)合運(yùn)動(dòng)的類(lèi)似的方法。該方法引入了一個(gè)稱(chēng)為“預(yù)期機(jī)動(dòng)”的中間變量，而不是直接建模本地情景情境和駕駛員意圖之間的依賴(lài)關(guān)系。在所提出的模型中，情景影響了駕駛員的預(yù)期行為，進(jìn)而影響駕駛員的意圖。

局限性：

交互感知運(yùn)動(dòng)模型是迄今為止文獻(xiàn)中提出的最全面的模型。與基于物理的運(yùn)動(dòng)模型相比，它們?cè)试S更長(zhǎng)期的預(yù)測(cè)，并且比基于機(jī)動(dòng)的運(yùn)動(dòng)模型更可靠，因?yàn)樗鼈兛紤]了車(chē)輛之間的相關(guān)性。然而，這種窮盡性有一些缺點(diǎn)：使用這些模型計(jì)算車(chē)輛的所有潛在軌跡在計(jì)算上很昂貴，并且與實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估不兼容。

1.4.3風(fēng)險(xiǎn)評(píng)估

大部分的風(fēng)險(xiǎn)評(píng)估都具有以下兩個(gè)步驟：1)預(yù)測(cè)場(chǎng)景中所有移動(dòng)實(shí)體的潛在未來(lái)軌跡。2)檢測(cè)每對(duì)可能的軌跡之間的碰撞，并基于碰撞的總體概率得出風(fēng)險(xiǎn)估計(jì)。然后有以下幾種分類(lèi)。

1.4.3.1二進(jìn)制碰撞檢測(cè)

在基于線(xiàn)性物理的運(yùn)動(dòng)模型的特殊情況下，通過(guò)求解運(yùn)動(dòng)模型的線(xiàn)性微分方程，可以容易地導(dǎo)出特定時(shí)間車(chē)輛狀態(tài)的解析解。

碰撞風(fēng)險(xiǎn)的計(jì)算可以是二進(jìn)制的。在基于線(xiàn)性物理的運(yùn)動(dòng)模型的特殊情況下，通過(guò)求解運(yùn)動(dòng)模型的線(xiàn)性微分方程，可以容易地導(dǎo)出特定時(shí)間車(chē)輛狀態(tài)的解析解。因此，以有效的方式。然而，在一般情況下，運(yùn)動(dòng)方程過(guò)于復(fù)雜，無(wú)法推導(dǎo)出閉合解。一種解決方案是通過(guò)分段直線(xiàn)軌跡來(lái)近似每個(gè)軌跡。更常見(jiàn)的方法是離散化軌跡，并在每個(gè)離散時(shí)間步迭代檢查碰撞。根據(jù)這一推理，可以通過(guò)定義兩點(diǎn)之間距離的閾值（來(lái)自同一時(shí)間步的兩條軌跡），以簡(jiǎn)單的方式檢測(cè)碰撞。為了考慮車(chē)輛的形狀，可以用“兩輛車(chē)形狀重疊”的條件來(lái)代替該閾值。盡管并不能得到確切的形狀，但車(chē)輛通常被表示為多邊形或可以用織機(jī)測(cè)試點(diǎn)表示。如果有關(guān)于車(chē)輛狀態(tài)不確定性的信息，并且該不確定性是高斯的，則可以通過(guò)對(duì)標(biāo)準(zhǔn)偏差應(yīng)用閾值來(lái)使用橢圓代替多邊形。為了簡(jiǎn)化相交面積的計(jì)算，可以用一組圓或一組點(diǎn)來(lái)近似橢圓。

一些駕駛員輔助系統(tǒng)專(zhuān)注于檢測(cè)不可避免的碰撞。該計(jì)算是二元碰撞預(yù)測(cè)的一種特殊情況，根據(jù)駕駛員是否能夠執(zhí)行無(wú)碰撞機(jī)動(dòng)，將風(fēng)險(xiǎn)分配為0或1。確定是否存在這種機(jī)動(dòng)可以通過(guò)兩種方式進(jìn)行。

第一個(gè)是計(jì)算逃生機(jī)動(dòng)（即車(chē)輛應(yīng)如何轉(zhuǎn)向、制動(dòng)或加速來(lái)避免碰撞），并檢查這些操作是否可行（“可行”意味著轉(zhuǎn)向、制動(dòng)或加速不超過(guò)車(chē)輛的物理限制）。第二個(gè)是考慮組合轉(zhuǎn)向、制動(dòng)和加速機(jī)動(dòng)的整個(gè)空間，并對(duì)無(wú)碰撞軌跡進(jìn)行優(yōu)化搜索。這一概念與機(jī)器人技術(shù)中使用的不可避免碰撞狀態(tài)（ICS）概念密切相關(guān)。

1.4.3.2概率碰撞檢測(cè)

考慮到車(chē)輛未來(lái)運(yùn)動(dòng)的不確定性，可以用概率方式計(jì)算碰撞風(fēng)險(xiǎn)。概率可以通過(guò)計(jì)算兩輛車(chē)的中心位于同一個(gè)單元的概率，在離散位置空間上計(jì)算，對(duì)于所有可能的單元組合。碰撞概率可以測(cè)量為表示車(chē)輛未來(lái)運(yùn)動(dòng)的幾何形狀之間重疊的百分比。對(duì)于當(dāng)前狀態(tài)的正態(tài)分布不確定性，已經(jīng)提出了一種基于無(wú)跡變換的隨機(jī)線(xiàn)性化的解決方案。

當(dāng)車(chē)輛的未來(lái)運(yùn)動(dòng)由樣本軌跡上的概率分布表示時(shí)（這通常是依賴(lài)于蒙特卡羅模擬或高斯過(guò)程的方法的情況），通過(guò)對(duì)所有可能的未來(lái)軌跡進(jìn)行積分并檢測(cè)每個(gè)可能的軌跡對(duì)之間的碰撞，可以將風(fēng)險(xiǎn)計(jì)算為“未來(lái)碰撞的概率”。這種方法在處理不確定性方面提供了很大的靈活性。例如，對(duì)于基于機(jī)動(dòng)的運(yùn)動(dòng)模型，計(jì)算可以對(duì)機(jī)動(dòng)及其執(zhí)行進(jìn)行求和，或者假設(shè)機(jī)動(dòng)是已知的，并且只對(duì)可能的執(zhí)行求和。此外，根據(jù)最終應(yīng)用，可以計(jì)算與特定車(chē)輛碰撞的風(fēng)險(xiǎn)或所有車(chē)輛的總和，并獲得全局碰撞風(fēng)險(xiǎn)。

1.4.3.3其他風(fēng)險(xiǎn)檢測(cè)方法

通過(guò)進(jìn)一步分析預(yù)測(cè)的軌跡及其相交點(diǎn)，有可能得出一些指標(biāo)，這些指標(biāo)提供了有關(guān)潛在碰撞的更多信息。潛在碰撞危險(xiǎn)性的流行指標(biāo)是車(chē)輛的速度、代表車(chē)輛的形狀之間的重疊量、兩輛車(chē)同時(shí)占用沖突區(qū)域的概率以及碰撞的配置?？梢允褂眠@些指示符所提供的信息來(lái)確定減輕或避免潛在沖突的最佳方式。

其他流行的風(fēng)險(xiǎn)指標(biāo)是基于“time-to-X”（或TTX）的度量，其中X對(duì)應(yīng)于碰撞過(guò)程中的相關(guān)事件，如碰撞時(shí)間(TTC)和反應(yīng)時(shí)間 (TTR)。

TTC：其中標(biāo)準(zhǔn)的風(fēng)險(xiǎn)指標(biāo)是碰撞時(shí)間，它對(duì)應(yīng)于碰撞發(fā)生前的剩余時(shí)間。它可以用來(lái)指示應(yīng)該采取什么行動(dòng)。例如，當(dāng)TTC仍然較大時(shí)，最好通知或警告駕駛員，而不是應(yīng)用制動(dòng)器。對(duì)于自動(dòng)緊急制動(dòng)應(yīng)用，可以將TTC與車(chē)輛完全停止所需的時(shí)間進(jìn)行比較，以決定何時(shí)應(yīng)用制動(dòng)。對(duì)于駕駛員警告應(yīng)用，需要將駕駛員反應(yīng)時(shí)間添加到停止車(chē)輛的時(shí)間中。通過(guò)假設(shè)自動(dòng)駕駛車(chē)輛執(zhí)行特定軌跡的風(fēng)險(xiǎn)與最早的TTC成反比（TTC是針對(duì)場(chǎng)景中其他車(chē)輛的所有可能軌跡計(jì)算的），TTC也可以用作識(shí)別自動(dòng)駕駛車(chē)輛最小危險(xiǎn)機(jī)動(dòng)的工具。

TTR：一個(gè)密切相關(guān)的風(fēng)險(xiǎn)指標(biāo)是反應(yīng)時(shí)間，它對(duì)應(yīng)于駕駛員在碰撞不可避免之前可采取行動(dòng)的時(shí)間。其目的是模擬不同的駕駛員動(dòng)作（如剎車(chē)、加速、轉(zhuǎn)向），并確定其中一種動(dòng)作能夠避免碰撞的最晚時(shí)刻。

1.5交通信號(hào)檢測(cè)與識(shí)別

交通信號(hào)檢測(cè)和識(shí)別子系統(tǒng)主要負(fù)責(zé)檢測(cè)和識(shí)別交通規(guī)則中定義的標(biāo)志。該系統(tǒng)是用來(lái)幫助汽車(chē)根據(jù)交通法則做出正確的決定。在交通信號(hào)檢測(cè)和識(shí)別中，有許多與交通信號(hào)相關(guān)的任務(wù)。這里主要探討了三個(gè)主要交通信號(hào)檢測(cè)和識(shí)別的方向：交通信號(hào)燈、交通標(biāo)志和自動(dòng)駕駛汽車(chē)周?chē)h(huán)境中的路面標(biāo)記。

1.5.1交通燈檢測(cè)和識(shí)別

交通燈檢測(cè)和識(shí)別涉及檢測(cè)汽車(chē)周?chē)h(huán)境中的一個(gè)或多個(gè)交通燈的位置（如，在圖像中表示）并識(shí)別它們的狀態(tài)（紅燈、綠燈和黃燈）。

交通燈檢測(cè)和識(shí)別的方法主要可分為兩類(lèi)：基于模型和基于學(xué)習(xí)。交通信號(hào)燈在顏色和形狀信息方面具有明確的結(jié)構(gòu)：常見(jiàn)的交通信號(hào)燈有三個(gè)燈泡（每個(gè)狀態(tài)一個(gè)：紅色，綠色和黃色）以及明確定義的形式。因此，早些時(shí)候，交通燈檢測(cè)和識(shí)別的大多數(shù)方法都是基于模型的。這些方法依賴(lài)于手工制作的特征工程，該工程試圖利用人類(lèi)關(guān)于對(duì)象的顏色和形狀的信息來(lái)構(gòu)建能夠檢測(cè)和/或識(shí)別它的模型。當(dāng)沒(méi)有嚴(yán)格遵守假設(shè)時(shí)，通過(guò)使用顏色和形狀信息的方法魯棒性并不好。為了增強(qiáng)其魯棒性性，提出了使用不同特征（例如，顏色，形狀和結(jié)構(gòu)）的組合。一種結(jié)合了顏色（使用顏色分割），形狀/結(jié)構(gòu)（使用黑盒檢測(cè)）和地理信息（僅當(dāng)已知交通信號(hào)燈使用時(shí)才使用系統(tǒng)）預(yù)期。然而，他們的系統(tǒng)受到基于模型的方法常見(jiàn)的問(wèn)題：需要大量超參數(shù)調(diào)整，這也就意味著在某些情況下需要重新校準(zhǔn)。實(shí)驗(yàn)過(guò)程中，在過(guò)曝、遮擋、交通信號(hào)燈的非標(biāo)準(zhǔn)安裝以及其他一些在實(shí)際情況下并不罕見(jiàn)的情況下基本模型的方法容易出現(xiàn)失敗。在基于模型的方法的背景下，這種組合顯示還不夠。因此，研究人員開(kāi)始引入基于學(xué)習(xí)的方法。

在基于學(xué)習(xí)的方法中，功能仍然是手工制作的，但檢測(cè)和識(shí)別過(guò)程是從基于規(guī)則的變?yōu)榛趯W(xué)習(xí)的。級(jí)聯(lián)分類(lèi)器可能是第一次嘗試基于學(xué)習(xí)的方法。最終，還研究了HOG和Gabor特征與分類(lèi)器（如SVM，AdaBoost和JointBoost）的流行組合。最近，端到端方法（即，不需要手工制作的特征）優(yōu)于大多數(shù)基于模型的方法。一種將GPS數(shù)據(jù)和交通燈位置數(shù)據(jù)庫(kù)用于識(shí)別圖像中的感興趣區(qū)域，并且采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)識(shí)別交通燈狀態(tài)。此外，最先進(jìn)的通用物體檢測(cè)方法已成功應(yīng)用于交通信號(hào)燈的檢測(cè)（通常無(wú)需識(shí)別其狀態(tài)）。全面地來(lái)說(shuō)，這些通用深度物體檢測(cè)方法（或簡(jiǎn)稱(chēng)深度學(xué)習(xí)檢測(cè)方法）不提供交通燈檢測(cè)和識(shí)別任務(wù)的性能細(xì)分。盡管與基于模型的方法不同，然而這些深度學(xué)習(xí)檢測(cè)方法往往對(duì)過(guò)度曝光，顏色失真，遮擋等具有更強(qiáng)的魯棒性?；趯W(xué)習(xí)的方法，尤其是那些使用深度學(xué)習(xí)的方法，需要大量帶注釋的數(shù)據(jù)。直到最近，帶有注釋紅綠燈的大型數(shù)據(jù)庫(kù)才能公開(kāi)發(fā)布，為基于學(xué)習(xí)的方法提供支持和支持。如今，最常見(jiàn)的數(shù)據(jù)庫(kù)是LaRA（11,179幀），LISA，博世小交通燈（13,427幀），BDD（100,000幀）和Udacity（13,063）幀?！?