轨迹预测技术全面综述：方法、数据与评估

轨迹预测是自动驾驶、智能交通等领域的核心关键技术。该技术已从早期依赖单一物理规则的预测，演进为融合环境感知、社会交互推理与多模态生成的复杂智能任务。本文旨在系统梳理其核心挑战、方法论演进、当前SOTA趋势，并汇总公认的数据集与评价指标，为相关研究与应用提供全面参考。

一、核心问题与挑战

1.1 问题定义

轨迹预测的核心任务是：基于智能体（如车辆、行人、无人机）的历史轨迹（通常为1-3秒），结合场景上下文（如高精地图、交通规则、传感器数据），预测其未来一段时间（通常为5-8秒）内可能的多条合理轨迹，并以概率分布的形式呈现，而非单一的"平均"路径。

1.2 核心挑战

• 多模态性：智能体在同一时刻可能存在多种合理意图（如直行、左转、右转）
• 交互建模：精准捕捉智能体之间复杂、动态的社会交互行为
• 场景融合：高效融合异质、高维的场景信息（矢量地图、激光雷达点云、相机图像）
• 物理约束：生成的轨迹需符合运动学与动力学约束
• 长尾问题：对极端天气、严重遮挡、异常行为等罕见场景的预测鲁棒性

二、方法论演进与里程碑论文

轨迹预测的技术发展可划分为四个主要阶段，其演进脉络与代表性工作如下图所示：

2.1 早期与基于物理的模型（~2015年前）

• 方法：卡尔曼滤波、粒子滤波、基于运动学方程的预测
• 特点：短期预测可靠，计算高效；但无法建模交互与意图

2.2 深度学习时代的开端（~2015-2018）

• Social-LSTM：提出"社会池化"机制，首次显式建模群体交互
• Social-GAN：首次将GAN引入轨迹预测，实现多模态输出
  • 论文链接：arXiv:1803.10892

2.3 图神经网络（GNN）的兴起（~2018-2020）

• VectorNet：创新性地将轨迹和高精地图表示为矢量化多段折线
  • 论文链接：arXiv:2005.04259
• LaneGCN：专为车道级预测设计的多尺度车道图卷积网络
  • 论文链接：arXiv:2007.13732

2.4 Transformer与生成式模型的统治（~2021 - 至今）

基于意图查询的方法

• MTR (Motion Transformer)：引入可学习意图查询 + 全局-局部注意力机制
  • 论文链接：arXiv:2209.13508
• MTR v3：2024 Waymo挑战赛冠军，融合LiDAR与动态锚点更新
  • 论文链接：arXiv:2306.17770
• QCNet：迭代查询细化，统一建模意图、轨迹与交互
  • 论文链接：Centric Trajectory Prediction.pdf

基于生成式模型的方法

• MID：首次将扩散模型应用于轨迹预测
  • 论文链接：arXiv:2203.13777
• TrajFlow：引入流匹配范式，训练稳定、采样高效
  • 论文链接：arXiv:2506.08541

端到端自动驾驶融合范式

• UniAD：统一感知、预测、规划于Transformer框架
  • 论文链接：arXiv:2212.10156

三、公认数据集与评价指标

3.1 核心数据集

数据集	场景与智能体	规模与特点	核心挑战
ETH/UCY	行人、校园	规模小（~1.5k行人），5个子集	复杂的社会交互
Argoverse 1/2	车辆、路口	32万+场景，提供高精地图。车辆轨迹预测标杆	复杂路口的意图判断
Waymo Open Motion(需翻墙)	车辆、行人、骑行者	规模最大（10万+场景）。当前SOTA基准	密集交互、长尾场景
nuScenes	车辆、行人	多传感器融合	多模态感知信息融合

3.2 核心评价指标

基于距离的指标

• minADE：最小平均位移误差，衡量最佳表现精度
• minFDE：最小最终位移误差，衡量最终目标点准确性
• 碰撞率：衡量轨迹的安全性和社会合理性
• 失效率：衡量轨迹是否符合场景物理约束

基于概率的指标

• 负对数似然（NLL）：评估概率预测模型校准度的金标准
• Soft minAP：Waymo排行榜核心排名指标，综合衡量召回率与精度

四、当前SOTA方法与发展趋势（2024-2025）

4.1 查询/意图模型的极致优化

• MTR系列和QCNet通过精细的查询设计在主流数据集持续领先
• 重点关注全局-局部注意力机制和迭代细化策略

4.2 生成式模型的效率与质量平衡

• 流匹配模型（TrajFlow、FlowChain）因采样效率受到关注
• 逐步取代部分扩散模型的应用场景

4.3 端到端与大模型融合

• UniAD范式推动感知-预测-规划一体化
• 大语言模型赋能复杂场景语义理解

4.4 跨场景与多模态融合

• 从地面交通拓展至空中交通管理
• 激光雷达与相机等多传感器协同编码

五、未来展望与挑战

5.1 技术发展方向

• 基础模型构建：预训练于海量驾驶数据的轨迹预测基础模型
• 可解释性提升：开发具有因果推理能力的模型
• 长尾问题突破：通过生成式主动学习提升极端场景鲁棒性

5.2 评估体系演进

• 闭环评估：从开环数据集指标转向闭环仿真测试
• 跨场景迁移：开发统一框架适配多场景预测需求

总结

轨迹预测领域正朝着**更融合（端到端）、更智能（大模型赋能）、更高效（流匹配）、更可靠（解决长尾）**的方向发展。研究者应重点关注：

1. SOTA方法：MTR系列、QCNet等查询式方法及TrajFlow等生成式方法
2. 权威基准：Waymo Open Motion Dataset上的综合性能表现
3. 核心指标：Soft minAP、NLL等概率性评估指标
4. 未来趋势：端到端框架与大模型融合的技术路线

本综述为相关研究提供了从基础方法到前沿趋势的完整技术图谱，可作为轨迹预测领域研究的参考。

🚀 官方GitHub仓库公告

这是我们的官方 GitHub 仓库！汇总了自动驾驶与机器人领域前沿资源，涵盖 VLMM/VLA 技术、端到端模型、SLAM 方案等。

同步公众号「智驾与机器人前瞻」内容，论文 + 代码 + 解析一键获取！

🔗 仓库地址： https://github.com/YangHRandLiuZ/Autonomous-Driving-Robot-Frontier-Learning

🙏 欢迎支持：

• 欢迎提交 PR #5, HENS！
• 麻烦给我们的仓库点上一个小星星 ⭐，这对我们真的很重要！
• 感谢你的支持～

搜索并关注“智驾和机器人前瞻局”公众号。更多优质内容等你来。

————————————————
版权声明：本文为CSDN博主「智驾和机器人前瞻局」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36850381/article/details/155005433