Prediction模块分析

作用:

预测障碍物的运动轨迹,每条轨迹都有一个概率值。

输入:

  • 车辆位置信息:/apollo/localization/pose([pb_msgs/LocalizationEstimate])。

  • 障碍物信息:/apollo/perception/obstacles([pb_msgs/PerceptionObstacles])。

输出:

障碍物的运动轨迹。/apollo/prediction[pb_msgs/PredictionObstacle]。

节点图:

prediction data flow

子模块:

  • 容器: 存储订阅话题中的数据。

  • 评估器:对于任意一个障碍物,评估器预测路径和速度。一个评估器通过使用_prediction/data/_ 下的评估模型对每条路径给出一个概率值,实现评估。

  • 预测器:预测器为障碍物预测通过,当前通道包含以下几种:

    • 车道序列:障碍物只能依据车道移动。

    • 自由移动:障碍物自由移动。

    • 区域引动:障碍物只能在一定的区域移动。

源码架构:

  • main.cc: 启动/prediction节点。

  • prediction.cc和prediction.h:

    • Name()函数:返回节点名字prediction。

    • Init()函数:

      • 使用配置文件prediction_conf.pb.txt设置prediction_conf_,主要设置preditor的产生的通道类型。

      • 使用配置文件adapter.conf设置adapter_conf_,设置节点话题类型。

      • 初始化AdapterManager,定义nodehandle和话题。

      • 初始化ContainerManager,每一个接受话题创建一个Container,用于接受话题数据。

      • 初始化EvaluatorManager:注册一个Evaluator:MLP_EVALUATOR;根据prediction_conf.pb.txt配置MLP_EVALUATOR,似乎关注路上的车辆,设置vehicle_on_lane_evaluator_。

      • 初始化PredictorManager:注册四个Predictor,并设置了vehicle_on_lane_predictor_,vehicle_off_lane_predictor_和pedestrian_predictor_。

      • 检测localization和perception节点是否准备好。

      • 设置localization和perception数据的回调函数OnLocalization和OnPerception。

    • OnLocalization函数:

      • 获取障碍物容器obstacles_container。

      • 获取位置pose_container。

      • 将新到的位置消息存入pose_container。

      • 更新障碍物信息。

    • OnPerception函数:

      • 获取障碍物容器obstacles_container。

      • 将新到的障碍物信息存入obstacles_container。

      • 运行Evaluator。

      • 运行Predictor。

      • 跟新待发布数据prediction_obstacles header结构,发布消息。

评估器Evaluator:

  • 创建一个新的NewEvaluator:

    • data/mlp_vehicle_model.bin:利用深度学习实现的评估器核心部分。

    • feature.proto或lane_graph.proto文件的配置输出,不清楚作用。

    • 在evaluator/vehicle/目录下,以Evaluator为基类实现一个新的评估器类NewEvaluator。并参考mlp_evaluator实现类。

    • prediction_conf.pb.txt文件中指定所实现的新评估器类。

    • evaluator_manager.h中修改默认使用的评估器类。

  • evaluator_manager.cc中的Run()函数:

    • 获取障碍物容器container。

    • 遍历所有障碍物,利用障碍物id和障碍物容器获取障碍物信息obstacle。

    • 针对lane上的障碍物,调用Evaluate进行评估。

  • mlp_evaluator.cc中的Evaluate()函数:

    • 以单个障碍物为参数。计算单个障碍物的feature,并计算其概率。

    • 每个obstacle_ptr中包含多个lane_graph_ptr。

    • 利用obstacle_ptr和lane_graph_ptr可计算出feature_values

    • 由feature_values计算概率值probability。

    • 将概率值probability设置到lane_sequence_ptr。

    • 进一步的分析需要理解feature和lane_sequence概念,需要进入算法,暂时评估器到这里。

预测器Predictor:

  • 功能:预测障碍物的未来轨迹。

  • 创建一个新的预测器NewPredictor:

    • 在predictor/下新建目录vehicle。

    • 在vehicle目录下创建new_predictor.h和new_predictor.cc,主要是继承与Predictor类定义并实现子类NewPredictor。具体实现可以参考vehicle同级目录free_move等。

    • 更新配置文件prediction_conf.pb.txt,添加新预测器类型。

    • 更新manager,在文件predictor_manager.h中修改默认预测器类型。

  • prediction_manager.cc中的run()函数:

    • 获取障碍物容器container。

    • 设置预测障碍物的时间戳。

    • 根据预测障碍物中的id和容器获取障碍物信息obstacle。

    • 根据预测障碍物中的类型设置预测器的类型predictor。

    • 传入障碍物信息,执行预测器predictor->Predict(obstacle)。

    • 将障碍物的所有轨道配置到预测到的障碍物中。并更新时间戳。

  • 预测器函数Predict()函数:

    • 根据障碍物信息获取feature。

    • 由feature获取num_lane_sequence。

    • 遍历num_lane_sequence,通过feature获取sequence。

    • 由sequence获取curr_lane_id。

    • 由curr_lane_id通过DrawLaneSequenceTrajectoryPoints()函数获取TrajectoryPoint。

    • 由TrajectoryPoint通过GenerateTrajectory()函数获取trajectory。

    • 设置该trajectory的probability,存入trajectories_向量。

    • 和Evaluator类似,进一步分析需了解具体算法,暂时到这里。