Udacity 2.Prediction 预测
例如在十字路口，需要预测 另一辆车 的行驶 路线。
一辆车在十字路口，可以左转，直行，右转等操作。需要对汽车的现在行驶状态开始预测下一个汽车的行驶状态。
如果转弯的，会向道路一侧偏移，而且会减速。
输入：
- 地图
- 传感器感受到的数据
处理：
- 预测模块
结果：
- 预测结果
数据驱动法则
数据驱动法则，有两种
- 依赖于机器学习
- 依赖于案例学习
案例学习：使用的是 轨迹聚类
预测的输入与输出
传感器融合
偏航角 yaw: 从x轴开始，汽车的航向角
输入被预测车辆变量信息(x，y是自己车辆的，非被预测车辆)：
- 汽车id
- x坐标
- y坐标
- x方向速度
- y方向速度
- 自己车辆x坐标
- 自己车辆y坐标
- 自己车辆x方向速度
- 自己车辆y方向速度
输出：
- 概率
- 被预测车辆x坐标
- 被预测车辆y坐标
- 被预测车辆的航向角
- 在上面三个数据发生的时间
这个会预测好几秒
Frenet Coordinates 弗雷内坐标系
弗雷内坐标系不用x,y笛卡尔坐标系来表示汽车的位置信息，使用的是d,s来表示汽车在高速的信息，d表示举例中线的举例，向左为负，向右为正，s表示向前行驶的一段路。
s表示纵向位移，d表示横向位移
$\left[\begin{array}{c}\dot{s} \\ \dot{d}\end{array}\right]=\left[\begin{array}{c}s_{0} \\ 0\end{array}\right]+\mathbf{w}$
$\left[\begin{array}{l}\ddot{s} \\ \ddot{d} \\ \ddot{\theta}\end{array}\right]=\left[\begin{array}{c}\dot{\theta} \dot{d}+a_{s} \\ -\dot{\theta} \dot{s}+\frac{2}{m}\left(F_{c, f} \cos \delta+F_{c, r}\right) \\ \frac{2}{I_{z}}\left(l_{f} F_{c, f}-l_{r} F_{c, r}\right)\end{array}\right]+\mathbf{w}$
弗雷尔坐标系和笛卡尔坐标系之间的转换
轨迹聚合
AMM Autonomous multiple model algorithm
$\mu_{k}^{(i)}=\frac{\mu_{k-1}^{(i)} L_{k}^{(i)}}{\sum_{j=1}^{M} \mu_{k-1}^{(j)} L_{k}^{(j)}}$
第一个分子表示：模型i在时间k-1时候的概率
第二个分子表示：”Likelihood” of the observation at time k for model i, 时间点k上的观察值计算出来的可能性
分母为了格式化，和为1
