自動駕駛為什么要重視軌跡預測？

[首發于智駕最前沿微信公眾號]談到自動駕駛，我們通常會更關注如傳感器與感知系統這類“看得見”的部分，以及如規劃與控制這類“怎么走”的部分。但其實在這兩者之間，有一個常被低估卻至關重要的環節，那便是軌跡預測。

軌跡預測要做的是，在幾秒到十幾秒的時間范圍內，判斷出“其他交通參與者可能會怎么移動”。如果缺少這個能力，自動駕駛系統更像是一個被動的跟隨者，只能針對當前狀況做出反應；一旦前方出現突發狀況，很容易應對不及。真實道路環境復雜、參與者眾多、互動頻繁，只有系統化地預測未來的各種可能性，車輛才能做出既安全又流暢的決策。

圖片源自網絡

什么是軌跡預測以及它在系統中的位置

軌跡預測本質上是從“當前狀態”推演出“未來可能狀態”的過程。感知模塊告訴我們周圍有哪些物體，它們的位置、方向和速度是多少；預測模塊則要基于這些信息，計算出這些物體在未來一段時間內可能的移動軌跡和行為。

我們可以把自動駕駛系統大致劃分為幾個主要環節，感知負責認識環境，預測負責預判未來，規劃負責選擇安全高效的路徑，控制負責執行具體的車輪、轉向和剎車動作。預測在其中扮演橋梁的角色，它將感知輸出的信息轉化為帶有時間維度的未來場景，供規劃模塊進行優化和決策。如果沒有預測，規劃只能基于當前瞬間的“快照”來制定軌跡，一旦遇到旁車突然變道或行人橫穿馬路，就容易出現剎車不及或避讓不充分的情況。

預測并不是“按當前速度畫一條直線”這么簡單。短短幾秒之內，交通參與者的行為會受到車道結構、交通信號、與前車的距離、駕駛員是否有變道意圖、行人是否準備過馬路、周圍車輛是否禮讓或壓線，甚至天氣和路面狀況等多種因素影響。因此，高質量的軌跡預測必須綜合考慮物理約束（如車輛動力學與道路幾何）、場景語義（如車道線、禁止掉頭標志、紅綠燈）以及多主體交互（比如鄰車意圖和行人行為），最終輸出一組合理的未來軌跡及其概率分布，而不是單一的一條“平均路徑”。

圖片源自網絡

對自動駕駛系統來說，提供多種可能性并標注其發生概率，比只給出一條模糊的平均軌跡更加安全。因為所謂的“平均軌跡”常常落在兩條合理路徑之間，而那個中間位置在實際中可能是不可行甚至危險的。

預測所涉及的時間尺度也很關鍵。短期預測（0.5 s–3 s）通常影響能否及時剎車或微調方向，對誤差容忍度低、實時性要求高；中期預測（3 s–10 s）更多用于策略級決策，例如是否提前變道或避開擁堵路線；長期預測（10 s以上）則更偏向路徑規劃和效率優化。因此在工程中常采用分層預測策略，短期使用輕量高精度的模型保證實時響應，長期則使用更復雜的模型評估策略影響。

總的來說，預測的作用是將“不確定的未來”轉化為可操作的信息，從而讓規劃系統在復雜的交互環境中提前布局，這正是它不可或缺的核心原因。

軌跡預測的技術路線與工程挑戰

軌跡預測有多種方法，不僅有基于物理規律和模型驅動的傳統方案，也有大量依賴數據的機器學習和深度學習模型。

最簡單的物理方法是假設目標按當前速度和加速度繼續運動，或基于車輛動力學做短期外推。這類方法解釋性強、計算量小，短期預測也較穩定，但在需要考慮行為意圖或復雜交互的場景中就顯得不足。基于特征的機器學習方法，則通過手工提取速度、加速度、相對位置、車道偏離等特征，輸入傳統回歸或分類模型，能在一定程度上識別行為模式，但依賴人工設計特征。

近年來，深度學習方法逐漸成為主流，特別是使用圖網絡、注意力機制、時序模型和生成模型，直接從軌跡數據、圖像和高精地圖中學習復雜的交互特征。

圖片源自網絡

其中一個重要方向是多模態預測，其實現實交通的發展往往不止一種可能，如路口停著的車輛可能直行也可能左轉，行人可能等待也可能突然穿行，多模態模型會輸出多條可能的軌跡并分別給出概率。自動駕駛系統在處理這些候選軌跡時，需要制定相應策略，是采用最壞情況下的保守策略？還是基于概率加權優化期望效用？這直接決定了系統的駕駛風格是保守還是激進。

同時，區分不確定性的來源也很重要，模型應能分辨交通行為本身固有的不確定性（例如行人本來就有多種選擇），和因感知噪聲、遮擋等導致的認知不確定性。對于后者，可以通過傳感器冗余或改進感知算法來降低；對于前者，則必須在規劃階段以概率形式和安全邊界來處理。

軌跡預測還面臨實時計算的壓力。現代深度模型雖然強大，但對算力要求也高。車載平臺的推理時間通常被限制在幾十到幾百毫秒之內，預測必須在這個時間預算內完成，否則會拖慢規劃與控制環節。常見的可以應對方式包括模型壓縮、蒸餾、量化，或采用分層策略，前端運行輕量模型處理實時需求，后臺用大模型持續更新權重。

此外，數據和評估也是一大挑戰。常用的如ADE（平均位移誤差）、FDE（最終位移誤差）和多模態覆蓋率等評估指標，雖然能提供量化參考，但并不能完全反映安全性。一個在平均指標上表現良好的模型，仍有可能在少數危險場景中失效。公開數據集推動了研究進展，但其數據分布可能與實際部署地區的道路類型、交通習慣差異很大，導致模型遷移性差。因此往往需要大量本地化數據、場景合成與仿真測試來彌補不足。

最后就是交互建模的問題。真實交通中行為是相互影響的，我方加速可能影響你方變道，你方讓行意圖也可能影響我方是否切入。這種雙向耦合關系，使得單向的“預測-規劃”流程容易出錯。可行的一個解決辦法就是采用聯合學習或閉環設計，讓預測模塊考慮到自車意圖對他車的影響，或讓規劃在決策時將他車可能的反應納入考量。這類聯合建模能顯著降低“預測與規劃不一致”帶來的風險，但實現上需要更多計算資源，系統驗證也更為復雜。

保證預測可靠性的系統設計與安全策略

只要是預測，就難免會出錯，其中的關鍵在于系統如何預防和緩解錯誤帶來的影響。為防止軌跡預測出錯，常見的策略包括冗余設計、保守決策、規則約束和快速異常檢測。

冗余指的是使用多傳感器、多模型并行運行，以提高安全保障。如激光雷達與雷達在惡劣天氣中互補，視覺模型與軌跡模型互相驗證，不同預測模型同時運行以提高可靠性。保守策略指在不確定性高時自動增大安全邊際，當預測置信度較低時，規劃模塊會選擇更遠的跟車距離，或避免冒險變道。規則約束則是用基于規則的方法覆蓋核心安全邊界，比如禁止穿越實線區域、對突然出現的行人優先采取避讓動作等；即使學習模型給出不同建議，也會被規則層過濾。

圖片源自網絡

此外，閉環仿真和在線檢測也非常關鍵。現實中極端場景很難遇到，因此需要通過仿真平臺生成這些稀有情況，用于訓練和回歸測試。在車輛上路后，還需建立異常檢測機制，當模型預測結果與傳感器觀測或實際軌跡出現顯著偏差時，系統應能發出警報并觸發安全預案。模型更新也必須經過離線評估、仿真回放測試、小范圍灰度發布、線上監控與回滾機制等嚴格流程，任何一步出錯都可能帶來安全風險。

可解釋性與可驗證性也是系統設計的重要部分。出于監管與責任厘清的需要，系統在事故后必須能夠回溯并證明其行為的合理性。因此，軌跡預測模塊不僅要輸出軌跡和概率，還應提供影響預測的關鍵因素或置信度指標，便于事后分析。此外，在高風險場景中，應優先采用那些在語義層面有明確限制的規則來保障安全，比如遇到亂穿馬路的行人時，優先減速停車，而不是完全依賴數據驅動的預測結果。

最后的話

軌跡預測的作用是將“看到的世界”轉化為“可能發生的未來”，為規劃和控制提供時間維度上的決策依據。在多主體、強交互、規則驅動的道路環境中，沒有預測，自動駕駛只能被動應對，反應遲緩或過于保守，難以在效率和舒適性方面與人類駕駛競爭。