3、动态障碍物运动预测：从简单模型到深度学习

大家好，我是你们的老朋友。今天我们来聊聊动态障碍物运动预测。

说实话，这是局部路径规划里最让人头疼的部分之一。你想想看，机器人要避开障碍物，但障碍物是动的。它下一步往哪走？你猜错了，可能就撞上了。我在项目里吃过不少亏，今天把这些经验分享给你。

先说最简单的。匀速模型假设障碍物保持当前速度不变。匀加速模型则考虑了加速度。

核心思想：用历史状态外推未来位置。

匀速模型公式很简单：

x(t+Δt) = x(t) + vx * Δt
y(t+Δt) = y(t) + vy * Δt

匀加速模型多了一个加速度项：

x(t+Δt) = x(t) + vx*Δt + 0.5*ax*Δt²
y(t+Δt) = y(t) + vy*Δt + 0.5*ay*Δt²

我个人习惯用卡尔曼滤波来估计这些状态。为什么？因为传感器数据有噪声，卡尔曼滤波能平滑估计。

我的经验：匀速模型在短时间预测（1秒内）效果还行。但超过2秒，误差会迅速放大。我在AGV项目里试过，匀速模型预测3秒后的位置，偏差能到半米。所以，别太依赖它。

模型	适用场景	预测时长	精度
匀速	直线运动、缓慢转弯	<1.5s	中等
匀加速	加减速明显的车辆	<2s	中等偏上

避坑指南：我曾经在仓库场景里只用匀速模型，结果叉车突然转弯，机器人差点撞上。后来我加了转弯检测逻辑，一旦检测到角速度超过阈值，就切换到匀加速模型。嗯，这算是个小技巧。

单一模型不够用，那就用多个模型。IMM的思路是：同时运行多个模型，根据观测数据动态调整每个模型的权重。

说白了，就是让数据告诉你当前该信哪个模型。

IMM的流程大致如下：

关键点：模型之间的转移概率矩阵需要调参。我一般用EM算法离线学习，或者手动调。

我在自动驾驶项目里用过IMM。效果比单模型好不少，尤其是处理车辆变道、加减速这种混合运动。但计算量也上去了，嵌入式平台要注意优化。

行人预测和车辆不同。行人会避让、会结伴、会突然改变方向。社会力模型(Social Force Model)就是模拟这些行为的。

核心假设：行人的运动受三种力影响：

公式长这样：

F_total = F_drive + ΣF_repulsion + ΣF_attraction

每个力都有对应的数学表达式。比如排斥力：

F_rep = A * exp(-d/B) * n

其中d是距离，n是方向向量，A和B是参数。

我的经验：社会力模型在密集人群场景下效果很好。但参数调起来挺麻烦。我建议先用仿真数据调参，再上实车。另外，行人突然转身的情况，社会力模型预测会滞后。这时候可以结合视觉信息做修正。

终于到了深度学习。LSTM（长短期记忆网络）擅长处理时序数据，轨迹预测正好是时序问题。

基本思路：

一个简单的LSTM预测模型结构：

输入层: (batch_size, seq_len, 2)  # 历史轨迹点(x,y)
LSTM层: hidden_size=64, num_layers=2
全连接层: 输出未来N个点
输出层: (batch_size, pred_len, 2)

训练时用MSE损失：

loss = mean((pred - gt)²)

注意：LSTM需要大量数据。我建议至少收集10万条轨迹片段。数据不够的话，可以用仿真生成。

我在一个服务机器人项目里试过LSTM。效果比传统方法好，尤其是预测行人转弯和减速。但有两个坑：

避坑指南：我曾经在LSTM里只用了位置信息，没考虑速度。结果预测轨迹很平滑，但加速度突变时反应慢。后来我把速度、加速度也作为输入特征，效果提升明显。记住，输入特征越丰富，模型越鲁棒。

下面这张图总结了四种预测方法的核心逻辑和适用场景：

好了，这一章的内容就到这里。四种方法各有优劣，关键看你的场景和资源。我个人建议：先从简单的做起，遇到瓶颈再上复杂模型。别一上来就搞LSTM，数据不够的话效果还不如卡尔曼滤波。

可可精品资料库