1.軌跡預測的定義

軌跡預測是自動駕駛系統“感知-預測-規控”流程中的核心環節，位于感知與規劃模塊之間，起到承上啟下的作用。感知系統負責檢測道路環境中的動態和靜態元素，包括車輛、行人、自行車、交通標志、車道線等，而預測模塊的任務是對這些動態對象（Agent）的未來軌跡進行推測，為后續的決策和規劃提供參考。

在實際應用中，軌跡預測通常基于以下兩類輸入信息：

map 信息：包括車道線、交叉口、可行駛區域等靜態元素。

Agent 信息：如位置、速度、航向角等動態信息。

軌跡預測主要涉及兩個方面：

預測終點位置：即某個時間點 Agent 可能到達的位置。

預測完整軌跡：從當前位置到終點的運動路徑，同時考慮不確定性建模問題。

現在大家不都是在提倡感知規控“端到端”嗎？為什么還要拆開介紹？個人理解：完全端到端還有一段時間要走，了解預測模塊，沒什么壞處。

2.軌跡預測的定位

在傳統的自動駕駛系統中，感知模塊輸出的結果直接影響預測模塊，而預測模塊的輸出又會影響決策與規劃模塊。然而，這種架構存在一定的局限性：

誤差傳遞：如果感知模塊未能正確檢測到某個 Agent，預測模塊也無法給出合理的軌跡預測。

系統僵化：預測模塊僅依賴感知結果，缺乏對未來可能性更全面的理解，難以適應復雜場景。

因此，近年來大家都在研究如何使預測與感知更緊密結合，以提高系統的魯棒性。

3.軌跡預測的挑戰

軌跡預測面臨的挑戰有多個方面，例如：

感知誤差傳遞 如果感知模塊未能準確捕捉 Agent 的運動軌跡，預測模塊的結果也會受到影響。例如：感知模塊可能對某輛車的位置和速度估計不準確，影響軌跡預測。

不確定性挑戰 軌跡預測是一個不確定性問題，即同一個 Agent 在未來可能采取多種不同的行動。例如：車輛可能選擇直行、變道或停車、行人可能選擇繼續行走或停下。如何處理這些不確定性，很有挑戰。

Corner Case 處理 自動駕駛系統必須能夠應對極端情況（Corner Cases），例如：“鬼探頭”、“汽車 S 形行駛”等不常規情況的預測。

預測與決策的配合 預測模塊的輸出通常是多個可能軌跡，而決策和規劃模塊需要根據這些軌跡做出合理判斷。例如：過于保守的預測可能會讓自動駕駛車輛頻繁剎車或減速，影響駕駛體驗；過于激進的預測可能會導致錯誤判斷，提高事故風險。

4.典型預測算法

本節知道幾個軌跡預測算法名字就行。

4.1 TNT

Target-driven Trajectory Prediction：TNT 是基于 VectorNet 對高精地圖和車輛動態進行編碼后，將軌跡預測問題轉化為終點預測問題。

4.2 Wayformer

Motion Forecasting via Simple & Efficient Attention Networks：Wayformer 是一個基于注意力機制的運動預測架構，由基于注意力的場景編碼器和解碼器組成，研究了輸入模式的前融合、后融合和分層融合的選擇，通過分解注意力來權衡效率和質量。

4.3 QCNet

Query-Centric Trajectory Prediction：QCNet 采用 query-centric 的框架，對場景進行編碼時可以重復使用已計算的結果，不依賴于全局的時空坐標系，同時不同 agent 共享場景特征，使得 agent 的軌跡解碼過程可以更加并行處理。

5.軌跡預測的評價指標

為了衡量軌跡預測模型的精度，通常采用以下指標，這些指標都是數值越小越好：

5.1 平均位移誤差

ADE（Average Displacement Error）計算所有時間步的預測軌跡點與真實軌跡點的歐幾里得距離均值，適用于評估軌跡預測的整體誤差。

5.2 最終位移誤差

FDE（Final Displacement Error）計算預測軌跡的終點與真實終點的歐幾里得距離，用于關注最終預測點的準確性。

5.3 最小平均位移誤差

minADE-K 選擇前 K 條預測軌跡中誤差最小的一條計算 ADE，衡量多模態預測的最優表現。

5.4 最小最終位移誤差

minFDE-K 選擇前 K 條預測軌跡中誤差最小的一條計算 FDE，關注終點預測的最優表現。

5.5 Miss Rate( MR)

計算 m 條軌跡中，有 n 條 FDE 超過 2m 的比例，用于衡量預測軌跡的整體可靠性。

6.未來發展趨勢

隨著自動駕駛技術的不斷發展，軌跡預測領域也呈現出新的發展趨勢：

感知預測融合 或 端到端

傳統方法將感知和預測作為兩個獨立模塊，而新一代模型正在探索聯合感知與預測，即直接在感知階段輸出未來軌跡，提高預測準確性。

采用端到端方法，從感知到控制一體化優化，提高系統整體性能。

強化學習：通過強化學習優化軌跡預測，使其更加符合規劃和決策需求。