这是NVIDIA DRIVE Labs自愿驾驶实践室系列视频的第二十一集，正在上一凑集咱们讲了AI怎么助助自愿驾驶汽车阐明交叉口。正在自愿驾驶实践室系列视频中，咱们将以工程本领为要点的视角闭心完成自愿驾驶汽车的各个离间以及NVIDIA DRIVE AV软件团队怎么应对这些题目。

车辆行驶历程中须要对改日实行预测。每当汽车卒然驶入某个车道或众辆汽车正在统一十字途口相遇时，为了确保安好，驾驶员务必对其他对象的举动实行预测。

人类驾驶员依附驾驶历程中的线索以及部分履历对环境实行判辨，而自愿驾驶汽车可能通过AI预测交通形式，并正在繁复的境遇中安好行驶。

NVIDIA磨练的PredictionNet深度神经收集能让自愿驾驶汽车全方位理会界限驾驶境遇，并依照及时感知和舆图数据预测行人或其他车辆的改日轨迹。

PredictionNet不妨通过判辨途上全部行人和车辆过往的搬动环境预测他们的改日轨迹。通过判辨过往搬动环境，DNN会取得车辆或行人的过往位子，而且还会获取场景中固定对象和地标的位子，比方舆图上的交通讯号灯、交通象征和车道线象征。

预测改日自己具有不确定性。PredictionNet可能通过供给每个车辆或行人改日轨迹的预测统计音讯来治理不确定性题目，如图1所示。

PredictionNet的预测结果以俯视图形状映现。灰线代表舆图，白虚线代表DNN预测的车辆轨迹，而白框代表实践发作的轨迹数据。彩色云代表预测车辆轨迹的概率漫衍，较暖颜色代表正在功夫上与今朝功夫更近的点，较冷颜色代表正在未来更远的点。

之前，预测自愿驾驶汽车交通轨迹的步骤蕴涵行使仿真进修模子和天生模子对改日轨迹实行采样，以及行使卷积神经收集和轮回神经收集执掌感知输入，并预测改日轨迹。

PredictionNet采用了基于RNN的二维卷积架构，对纵情车辆或行人以及预测规模数目都具有高度可扩展性。

该形式与其他RNN一律，区别功夫步长被按次输入DNN。每个功夫步长均由俯视图浮现，该俯视图不妨显示当时车辆界限的境遇，蕴涵通过及时感知到的动态窒碍物以及舆图上的固定地标。

该俯视图正在传输给RNN之前会经由一组2D卷积执掌。正在今朝操作中，PredictionNet不妨轻松预测1到5秒的改日轨迹，这取决于场景的繁复性（比方，公途照旧都会）。

到目前为止的结果解说，PredictionNet正在几种繁复的交通场景下都具有很高的操纵前景。比方，DNN可能预测哪些汽车将直行通过十字途口，哪些将转弯，还不妨准确预测汽车汇入高速公途场景中的举动。

咱们还伺探到PredictionNet不妨判辨场景中车辆的速率和加快率，这使其不妨准确预测敏捷搬动和统统截止的车辆的速率，以及停走交通形式。

为了到达更高的预测精度，咱们正在高精度的激光雷达数据上对PredictionNet实行磨练。然而，输入DNN的推理功夫感知可能基于任何传感器输入组合（即摄像头、雷达或激光雷达数据），且无需从头磨练。这意味着DNN的预测性能可用于百般传感器装备和自愿驾驶级别，从L2+级体例不绝到L4或L5级。

PredictionNet及时预测举动的才具还能用于创筑交互式磨练境遇，以巩固基于进修的筹办和驾驭战术，完成自愿巡航驾驭、车道蜕变或交叉途口执掌等性能。

汽车测试网-首创于2008年，报道汽车测试本领与产物、趋向、动态等 闭系邮箱 marketing#auto-testing.net (把#改成@)