基于规则的预测算法和基于机器学习的预测算法.doc
《基于规则的预测算法和基于机器学习的预测算法.doc》由会员分享,可在线阅读,更多相关《基于规则的预测算法和基于机器学习的预测算法.doc(3页珍藏版)》请在三一文库上搜索。
1、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
2、,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 insta
3、ll -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 dock
4、er/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apol
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 规则 预测 算法 机器 学习
链接地址:https://www.31doc.com/p-3418191.html