通过生成一条路径来预测一个物体的行为·，在每一个时间段内，为每一辆汽车重新计算预测他们新生成的路径，这些预测路径为规划阶段做出决策提供了必要信息
预测路径有实时性的要求，预测模块能够学习新的行为。我们可以使用多源的数据进行训练，可以是算法随着时间的推移而提升预测能力
有两种基本的预测类型，一种是基于模型的，一种是数据驱动的。预测将称为决策的核心，因为只要你知道该期待什么，就会做出更好的决策
基于模型的方法优点在于直观，结合了我们现有的物理知识以及交通法规还有人类行为
基于车道的预测
apollo提供了一种基于车道序列的方法
预测更关心在不同区域的转换，而不是某个区域内的具体行为
通过观察一个物体的朝向，位置和速度来预测它将会做什么
使用车道序列框架目标是为道路上的物体生成轨迹，这是很复杂的。
可以将预测问题简化为选择问题，选择车辆最有可能采取的车道顺序，可以通过计算每个车道序列的概率进行选择。 我们需要一个模型，将车辆状态和车道段输入，该模型提供车辆可能采取每个车道序列的概率
递归神经网络RNN
是一种利用时间序列数据特征的一种预测方法
神经网络的中间层将提取特征，例如轮胎和窗户。 神经网络从数据中学习的方式叫做后向传播
以上简称MLP，MLP从数据序列中提取出高级特征，每个MLP单元将序列的一个元素作为输入，并预测序列的下一个元素作为输出。为了对元素之间的顺序关系建立模型，每个单元之间建立一个额外的连接。意味着每个单元根据原始输入和前一个单元的输出进行预测
apollo使用RNN建立一个模型来预测车辆的目标车道。
轨迹生成
一旦我们预测到物体的车道序列，就可以预测物体的轨迹。
先通过设置约束条件来去除大部分候选轨迹
使用初始状态和最终状态来拟合一个多项式模型，这种多项式足以进行预测
