9. 预测算法综述（Survey）

本文系统综述移动障碍轨迹预测领域，并明确 Autonomy prediction 模块的定位。

公式见 03_math.md；运动模型见 06_motion_models.md。

---

9.1 预测在自动驾驶管线中的位置

Perception → Prediction → Planning → Control
     │            │
  检测/跟踪    未来轨迹 + 意图

模块	频率	时域
Perception	10–30 Hz	当前
Prediction	10–20 Hz	3–8 s
Planning	1–5 Hz	全局 + 局部
Control	10–50 Hz	0.5–2 s

---

9.2 方法分类

9.2.1 按模型类型

类型	代表	优点	缺点
物理模型	CV, CTRV, CA	可解释、实时	长期不准
滤波	卡尔曼、粒子	不确定性	单模态
学习	Social LSTM, VectorNet	多模态、社交	数据、算力
博弈	Stackelberg	交互	复杂

9.2.2 按输出形式

形式	说明
单轨迹	点估计
多模态	\(K\) 条轨迹 + 概率
占据栅格	时空占用概率
意图标签	左转/直行/停车 + 轨迹

---

9.3 发展时间轴

1960s

卡尔曼滤波 — 线性系统最优估计

1990s

IMM — 交互多模型；粒子滤波 — 非线性

2016

Social LSTM — 社交轨迹预测

2020

VectorNet — Waymo 矢量化预测

2023+

MTR, Wayformer — Transformer 多模态 SOTA

---

9.4 物理模型详解

模型	状态维	适用	Autonomy
CV	4	行人、短期	LinearMotionModel ✅
CA	6	加减速车辆	可扩展 Linear
CTRV	5	转弯车辆	待实现
DiffDrive	5	移动机器人	DifferentialDriveMotionModel ✅
Stationary	—	静态	StationaryMotionModel ✅

---

9.5 学习型方法对比

方法	输入	多模态	实时性
Social LSTM	轨迹	✅	中
VectorNet	轨迹+地图	✅	中
LaneGCN	图结构	✅	中
MTR	轨迹+地图	✅	较低

部署：可导出 ONNX，复用 common/network。

---

9.6 评估指标

指标	公式/说明
ADE	平均位移误差 \(\frac{1}{K}\sum_k |\hat{\mathbf{p}}_k - \mathbf{p}_k^{gt}|\)
FDE	终点位移误差 \(|\hat{\mathbf{p}}_K - \mathbf{p}_K^{gt}|\)
MR	Miss Rate，FDE > 阈值的比例
NLL	负对数似然（概率预测）

---

9.7 Autonomy 能力矩阵

能力	状态
CV/CA 运动模型	✅ common/motion_model
卡尔曼滤波	✅ state_estimation
PredictionServer	⏳ 骨架
CTRV	❌
多模态预测	❌
学习型预测	❌
prediction_msgs	❌

---

9.8 选型建议

场景	推荐
室内移动机器人	CV + 卡尔曼
室外低速	CTRV + 规则
城市道路	VectorNet 类（远期）
无 Perception	不启用 Prediction

---

9.9 参考文献

主题	参考
CTRV	Werling et al., “Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenet Frame”
Social LSTM	Alahi et al., “Social LSTM: Human Trajectory Prediction in Crowded Spaces”
VectorNet	Gao et al., “VectorNet: Encoding HD Maps and Agent Dynamics From Vectorized Representation”
Apollo Prediction	Baidu Apollo Prediction 文档