行为预测的轨迹，既包括了障碍物在将来一段时间内运动的方向，还体现了它们在运动中的速度变化。譬如行人过马路的时候会预测他们使用较为恒定的步行速度，车辆转弯的时候会先减速后加速，而加减速的快慢也取决于弯道的弧度和长短。实际的无人车系统中，往往将宏观层面的行为预测和轨迹生成抽象成两个问题来解决。

　　宏观层面的行为预测问题，往往可以抽象成经典的机器学习问题，并且利用基于大数据的深度学习技术来解决。例如， 在假设车辆按照高精地图划分的道路（Lane）行驶的前提下，我们可以认为在任何一个时刻，车辆可行驶的每一个Lane序列都是一个需要进binary classification的样本。在这个假设下，我们不需要对直行、并道、路口拐弯等场景进行区分处理，因为无论是直行、并道，和路口拐弯，都可以统一看成是车辆在不同Lane序列上的行驶。车辆的宏观行为预测问题，变简化为对于Lane序列的Binary Classification问题。

　　图3 无人车行为预测中的Lane序列Binary Classification抽象

　　如图3所示，在t时刻，无人车主车位于Lane 1，此时按照Lane序列的可能展开途径，我们考虑三条轨迹：

Trajectory 1： Lane 1、Lane 2、Lane 3对应路口右转；

Trajectory 2：Lane 1、Lane 6、Lane 8对应路口直行；

Trajectory 3：Lane 1、Lane 4、Lane 5、Lane7对应换道后直行通过路口。

　　假设在t+w时刻，无人车经过Lane 6行驶到Lane8的位置，那么轨迹Trajectory 2便成为该Binary Classification的正样本，其余两条轨迹便成为负样本。在这种基于Lane序列的问题抽象下，所有的正负样本可以从历史数据的回放中获得，并成为模型训练的样本数据。另一方面，模型的特征抽取可以结合一定时间内的如下信息来设计：

车辆本身的物理信息：速度、朝向等；

车辆相对于道路的信息：在Lane上的横向/纵向位移和速度，相对Lane边界的距离等；

车辆周边的其他物体的信息：车辆周围例如左右相邻Lane是否有障碍物等。

　　在上述的样本标签定义和特征抽取下，无人车Prediction部分的宏观行为预测可以很好的抽象成典型的机器学习问题来解决。在预测得出的宏观行为基础上，相关的轨迹生成和速度预测可以通过特定的规则或者物理模型来实现。

　　路由寻径（Routing）

　　无人车路径规划的Routing寻径问题，虽然也是要解决从A点到B点的路由问题，但由于其输出结果并不是为实际的驾驶员所使用，而是给下游的行为决策（Decision）和动作规划（Planning）等模块作为输入，其路径规划的层次要更加深入到无人车所使用的高精地图的车道（Lane）级别。如图4所示，其中的箭头线段代表高精地图级别的道路划分和方向。lane1,lane2,………,lane8构成了一条Routing输出的路由片段序列。可以看到，无人车地图级别的Lane划分并非和实际的自然道路划分对应。比如lane2,lane5,lane7都代表了由地图定义绘制的“虚拟”转向Lane。类似的，一条较长的自然道路，也可能被划分为若干个lane（例如lane3,lane4）。

　　做为整体无人车决策控制规划（Decision,Planning & Control）系统的最上游模块，路由寻径模块的输出严格依赖于无人车高精地图（HD-Map）的绘制。在高精地图定义绘制的路网（Road Graph）的道路（Lane）划分的基础上，以及在一定的最优策略定义下，路由寻径模块需要解决的问题是计算出一个从起点到终点的最佳道路（Lane）行驶序列：{(lane,start_posotion,end_position)i}，其中，(lane,start_posotion,end_position)i我们称作一个Routing Segment（路由片段），所在的道路由lane来标识，start_posotion,end_position分别代表在这条道路上的起始纵向距离和结束纵向距离。

　　图4 无人车路由寻径模块（Routing）的高精地图道路（Lane）级别寻径路由

　　图5 无人车寻径（Routing）基于Lane Point的有向带权图上的最短路径问题抽象