循环神经网络(RNN)

循环神经网络（Recurrent Neural Network, RNN） 是一类专门为处理序列数据而设计的神经网络模型。它的核心特点在于具备“记忆”能力，能够利用之前时刻的信息来影响当前时刻的处理，从而捕捉数据中的时序依赖关系。

与传统的前馈神经网络（如CNN）不同，RNN的网络结构包含循环连接。你可以把它的核心运转逻辑理解为：

信息在时间维度的传递：在传统神经网络中，每一层的神经元只接收上一层的输入，样本之间相互独立。而RNN的隐藏层神经元之间存在连接，当前时刻的输出不仅取决于当前的输入，还取决于上一时刻隐藏层的状态（也就是它的“记忆”）。
权值共享：RNN在处理序列的每个步骤时，使用的都是一套相同的参数（权重矩阵）。这种“参数共享”的设计，使得它能够处理任意长度的序列，并且能高效地捕捉不同时刻间的相同模式。

正是这种结构，让RNN非常擅长处理文本、语音、时间序列等具有前后关联的数据。

在自动驾驶系统中，RNN是实现“类人预测”能力的关键技术之一，主要应用在以下方面：

车辆轨迹预测：这是RNN在自动驾驶中最核心的应用。通过分析周围车辆连续的历史位置和速度数据（时间序列），RNN能够预测它们未来的行驶轨迹。结合LSTM（长短期记忆网络）和GRU（门控循环单元）的混合RNN模型，在与单一LSTM模型对比中，预测误差可降低33%，为决策和路径规划提供了宝贵的时间。
处理多传感器时序数据：自动驾驶系统会持续产生海量的时间序列数据。例如，一项专利技术就公开了一种结合卷积神经网络(CNN)和循环神经网络(RNN) 的方案：CNN负责分析图像中的物体，而RNN则用于处理车速、雷达数据随时间的变化，综合判断环境是否复杂，从而决策是否开启哨兵监控。
端到端控制：在一些前沿研究中，RNN也被用于端到端的控制。例如，基于RNN-LSTM深度融合的系统，能将自动驾驶在极端场景下的成功率提升至89.5%，验证了其在复杂动态环境下的有效性。

尽管RNN在理论上有能力处理长序列，但在实际应用中曾面临严重的训练瓶颈：

梯度消失与爆炸：这是早期简单RNN模型的主要缺陷。在反向传播过程中，梯度会随序列长度的增加而指数级衰减（消失）或增长（爆炸），导致模型无法学习到长距离的依赖关系。

为解决这一问题，研究者们开发了更强大的RNN变体，它们现在已成为处理序列任务的主流：

长短期记忆网络（LSTM）：LSTM通过引入精巧的“门控”机制（输入门、遗忘门、输出门），可以有效地选择性地记住或遗忘长期信息，是解决梯度消失问题的经典方案。
门控循环单元（GRU）：GRU可以看作是LSTM的简化版，它将LSTM的三个门精简为两个（更新门和重置门），在保持相近性能的同时，参数更少、计算效率更高。

在一些竞争激烈的场景中，RNN及其变体与Transformer等新兴架构仍在共同演进，各有优势。