基于规则的预测算法和基于机器学习的预测算法

如果一辆车子要实现自动驾驶，那么障碍物感知绝对是最基础也是最核心的功能。Apollo 障碍物感知系统分为3D 检测、ROI 滤波、识别、运算、感知五大板块。其感知过程如下：首先 LiDAR 探测到信号，传递给 ROI 的 Filter，滤波后的信号通过 Obstacle Segmentation 和 Detection 做识别，然后是 Tracking，Apollo 在运算这一块采用的是 NVIDIA GPU，运算能力强劲，可以实现 10Hz 的输出，最后是 Obstacles 感知。

当系统感知到障碍物后，需要对障碍物进行行为预测，如障碍物是否是动态的，其下一步动作是什么。Apollo 障碍物行为预测系统采用 MLP 多层感知机制，通过深度神经网络与规划算法，达到精准预测路径的目的。

训练MLP深度学习模式有2个前提条件：

请从官网下载并安装Anaconda软件

运行以下命令安装必要的依赖项：

安装numpy: conda install numpy

安装tensorflow: conda install tensorflow

安装keras (version 1.2.2): conda install -c conda-forge keras=1.2.2

安装h5py: conda install h5py

安装protobuf: conda install -c conda-forge protobuf

接下来要遵循的步骤是使用发布的演示数据来训练MLP模型。为了方便起见，我们把阿波罗作为本地阿波罗储存库的路径，例如，/home/username/apollo

如果用来存储离线预测数据的文件夹不存在的话，则使用命令

mkdir APOLLO/data/prediction

创建一个新文件夹

打开apollo/modules/prediction/conf/prediction.conf.通过改变--noprediction_offline_mode成--prediction_offline_mode来启动离线模式

在apollo文件夹中用bash docker/scripts/dev_start.sh启动dev docker

在apollo文件夹中用bash docker/scripts/dev_into.sh进入dev docker

在docker中，/apollo/下运行bash apollo.sh build进行编译

在docker中，/apollo/下通过python docs/demo_guide/rosbag_helper.py demo_2.0.bag下载演示用rosbag

在docker中，/apollo/下通过bash scripts/prediction.sh start_fe 运行预测模块

打开一个新的终端窗口，使用步骤4进入apollo dev docker

在新的终端窗口中，在/apollo/下，使用rosbag play demo_2.0.bag播放演示rosbag

当rosbag在新终端中运行结束后，在原来的终端按下Ctrl + C停止预测模块。

在/apollo/data/prediction/文件夹中检查是否有feature.0.bin文件存在

在docker中进入

/apollo/modules/tools/prediction/mlp_train/

使用python generate_labels.py -f /apollo/data/prediction/feature.0.bin标记数据。然后在/apollo/data/prediction/文件夹中检查是否有feature.0.label.bin文件存在

更新:

在docker中进入

/apollo/modules/tools/prediction/mlp_train/

使用python generate_labels.py /apollo/data/prediction/feature.0.bin /apollo/data/prediction/feature.0.label.bin标记数据。然后在/apollo/data/prediction/文件夹中检查是否有feature.0.label.bin文件存在

在docker中，/apollo/modules/tools/prediction/mlp_train/下，通过python generate_h5.py -f /apollo/data/prediction/feature.0.label.bin生成 H5文件。然后检查feature.0.label.h5是否被创建

更新：在docker中，/apollo/modules/tools/prediction/mlp_train/下， 通过python generate_h5.py /apollo/data/prediction/feature.0.label.bin/apollo/data/prediction/feature.0.label.h5 生成 H5文件。然后检查feature.0.label.h5是否被创建

退出dev docker

进入APOLLO/modules/tools/prediction/mlp_train/proto/文件夹并运行protoc--python_out=./fnn_model.proto来生成fnn_model_pb2.py

进入APOLLO/modules/tools/prediction/mlp_train/文件夹通过python mlp_train.py APOLLO/data/prediction/feature.0.label.h5启动训练模型

模型的评估报告在APOLLO/modules/tools/prediction/mlp_train/evaluation_report.log

模型会被存放在APOLLO/modules/tools/prediction/mlp_train/mlp_model.bin，如果你觉得你的模型更好可替换在APOLLO/modules/prediction/data/mlp_vehicle_model.bin中原来的模型