无人驾驶中的猜测模块-Apollo中Prediction模块(1) 中谈到了无人驾驶猜测的办法有两种:依据规矩的猜测算法和依据机器学习的猜测算法，今日来看看依据递归神经网络(RNN)的方针车道猜测。什么是递归神经网络(RNN)
神经网络是可练习的多层模型，它经过输入层输入数据，并经过中心层提取高档Feature，并运用这些Feature核算得到终究的成果。
神经网络从数据中学习的办法叫后向传达，首要神经网络得到输入，并发生输出，然后比较Ground Truth与输出的差错，然后这种差错经过网络反向传达，中心隐层依据差错调整网络权重，以便鄙人一次传达中提高神经网络的准确率。
咱们能够树立多重递归的神经网络模型(MLP)，从数据序列中提取高档特征。每个MLP单元将序列的一个元素作为输入，并猜测序列的下一个元素作为输出，为了对元素之间的次序联系树立模型，在每个单元之间树立一个额定的衔接，这意味着每个单元依据输入和上个单元的输出做猜测。这就是RNN的根底结构。
依据递归神经网络的方针车道猜测
Apollo中运用RNN来猜测车辆的方针车道。它为车道序列供给一个RNN模型，为障碍物供给另一个RNN模型，Apollo衔接这两个RNN的输出，而且将它们的反应输入另一个神经网络，该网络会预算每个车道序列的概率，具有最高概率的序列就是咱们猜测方针车辆将遵从的序列。
为了练习这个神经网络，咱们比较网络输出和真值，运用反向传达来练习网络，
轨道生成
轨道生成是猜测的最终一个过程，一旦咱们猜测了车道序列，就能够生成车辆的猜测轨道。物体的运动轨道有无限可能，咱们怎样猜测最可能的轨道呢？咱们能够经过设置约束条件来过滤候选轨道，比方移除去车辆无法实践履行的轨道，以及车辆的速度和加速度移除非舒适的轨道等等。
Apollo中并没有枚举一切的轨道再做挑选过滤，这仅仅一种数学意义上的推导。事实上，只需知道车辆的初始姿势和完毕姿势，咱们经过多项式拟合就能够得到一条绝大多数程度下合适的一条运动轨道。
