预测路径目标要求：
实时性要求：想要我们的算法的延时越短越好
准确性要求：能让无人车尽可能准确的做出决策
预测模块也应该能学习新的行为
预测的两种不同方式：
- 基于模型的预测
例如：怎样预测左侧的车是直行还是右转？
基于模型的预测，无人车将会提供两个模型，预测车辆直行的模型和右转的模型，然后根据预测车辆的下一步来更新模型，最终确定车辆下一步的动作。
- 数据驱动的预测
数据驱动预测使用机器学习算法，通过观察结果来训练模型，一旦机器模型训练好，就可以在现实中利用此模型去做做预测。
数据驱动预测优点：训练数据越多训练模型效果越好
基于模型预测优点：比较直观，并且结合了现有的物理知识和交通法规还有人类行为多方面知识。
基于车道系列的预测
为了建立车道系列，现将车道分为多个部分，每一部分覆盖了一个易于描述车辆运动的区域，我们如果要预测别的车辆运动状态，只要预测该车在此区域的转换，而不是在某一区域的具体行为。
将车辆的行为划分为一组有限的模式组合，并将这些模式组合描述物车道的系列。例如：将直行车的路径划分为一个0-1-3-7的系列。
障碍物状态
为了预测物体的运动，需要了解障碍物的状态，一般人是通过物体朝向，位置，速度，加速度等来预测物体将做什么？
无人车也是同样的道理，除了朝向，位置，速度，加速度外，无人车还得考虑该段车道内物体的位置。例如：预测模块会考虑从物体到车道路线段边界的纵向和横向距离，预测模块还包括前面提到的时间间隔状态信息，以便做出更准确的信息。
预测目标车道
前面运用车道系列将一个复杂的问题简单化了，现在是预测车辆最有可能采取的车道系列。可以通过计算每个车道系列的概率来进行选择。我们需要一个模型，将车辆状态和车道系列作为输入，该模型用于提供车辆可能采用每个车道系列的概率，我们希望我们的模型能学习新的行为，因此应该使用观测数据对模型进行经验性训练，整改记录由一系列车道段和对象相关状态组成。
递归神经网络或RNN
RNN是利用时间系列数据特征的一种预测方法，利用神经网络建立多重结构递归神经网络，称做MLP单元，从数据中提取高级特征，每个MLP单元将系列的一个元素作为一个输入，并预测系列的下一个元素作为输出，为了对元素的顺序关系建立模型，在每个单元之间建立额外的连接，这意味着每个单元根据原始输入和前一单元的输出进行预测，这就是RNN的基本结构。
RNN在目标车道预测中的应用
Apollo为车道系列提供一个RNN模型，为相关对象状态提供另一个RNN模型，Apollo连接这两个RNN的输出并将其馈送到另一个神经网络，该神经网络会估计每个车道系列的概率，具有最高概率的车道系列，是我们预测目标车辆将遵循的系列。
为了训练这个网络，比较真值，得出误差，反向传播更新权重，从而使得模型更好，预测结果更精确。
轨道生成
轨道生成是预测的最后一步，一旦我们预测到物体的车道系列，我们就可以预测物体的轨迹，在任何两个点A和,B之间，物体的行进轨迹有无限种可能。
如何确定我们想要的轨迹？可以先设置条件去除大部分的轨迹路线，我们并不是逐一排除，相反，只是在数学理论上来运用这一想法，注意车辆在两点之间的位置和方位，这两个姿势表示运动模型的初始状态和最终状态，我们可以使用这两个条件来拟合一个多项式模型，在大多数情况下，这种多项式足够满足预测。RNN在目标车道预测中的应用
Apollo为车道系列提供一个RNN模型，为相关对象状态提供另一个RNN模型，Apollo连接这两个RNN的输出并将其馈送到另一个神经网络，该神经网络会估计每个车道系列的概率，具有最高概率的车道系列，是我们预测目标车辆将遵循的系列。
为了训练这个网络，比较真值，得出误差，反向传播更新权重，从而使得模型更好，预测结果更精确。
轨道生成
轨道生成是预测的最后一步，一旦我们预测到物体的车道系列，我们就可以预测物体的轨迹，在任何两个点A和,B之间，物体的行进轨迹有无限种可能。
如何确定我们想要的轨迹？可以先设置条件去除大部分的轨迹路线，我们并不是逐一排除，相反，只是在数学理论上来运用这一想法，注意车辆在两点之间的位置和方位，这两个姿势表示运动模型的初始状态和最终状态，我们可以使用这两个条件来拟合一个多项式模型，在大多数情况下，这种多项式足够满足预测。
