3. 数据基础

轨迹预测模型的性能上限，很大程度上由数据决定。无论采用 LSTM、Transformer 还是扩散模型，输入的都是带时间戳的目标状态序列及其周围环境上下文。因此，理解轨迹数据“从哪里来、长什么样、如何清洗与增强”，是构建可复现、可泛化预测系统的第一步。本节围绕采集方式、主流数据集、预处理流程与增强策略四个层面展开。

一、轨迹数据的采集方式

轨迹数据本质上是“带时间戳的空间位置序列”。按传感器与采集平台划分，常见方式包括以下几类：

• 车载传感器采集：利用摄像头、激光雷达、毫米波雷达、GNSS/IMU 记录自车与周围目标。激光雷达提供精确三维点云，摄像头提供语义与外观，雷达提供速度与恶劣天气鲁棒性。多传感器融合后通过检测与跟踪得到目标轨迹。
• 路侧固定传感器采集：在路口、路段部署摄像头或雷达，以俯视或斜视视角覆盖盲区，适合车路协同场景，但存在遮挡与标定漂移问题。
• 无人机航拍采集：如 INTERACTION 数据集部分场景，通过高空俯拍获得全局视角，目标轨迹连续、遮挡少，但需解决透视校正与尺度标定。
• 众包与仿真采集：众包依赖量产车定位回传，覆盖广但噪声大；仿真数据可低成本生成极端场景，但存在域差异。

采集方式直接决定了数据的坐标系、采样率、噪声特性与标注成本。例如，激光雷达跟踪轨迹在遮挡后易出现 ID 跳变，而航拍轨迹在目标密集时更稳定。

二、常见数据集对比

当前学术界与工业界广泛使用的轨迹数据集各有侧重。下表从采集平台、场景特点与典型用途进行对比：

选择数据集时需关注：采样率（通常 2–10 Hz）、预测时域（常见 3–5 秒）、坐标系定义、是否提供地图与车道连接关系，以及训练/验证/测试划分是否按场景而非按帧随机划分，避免数据泄漏。

三、数据预处理流程

原始轨迹往往包含噪声、缺失与坐标不一致，需经过标准化流程才能输入模型。典型步骤如下：

1. 坐标变换：将全局坐标转换到以自车或场景为中心的局部坐标系，减少数值范围并提升平移不变性。
2. 时间对齐与重采样：统一采样率，对缺失帧进行插值或掩码标记。
3. 噪声滤波：使用卡尔曼滤波、Savitzky-Golay 或滑动平均平滑位置与速度。
4. 轨迹筛选：剔除过短、静止过长或跳变异常的轨迹。
5. 特征构造：生成位置、速度、加速度、航向角、相对距离等特征，并归一化。
6. 场景切分：按时间窗口切分历史轨迹与未来轨迹，形成监督样本。

以下是一个简化的预处理代码示例，展示坐标归一化与历史/未来切分：

import numpy as np

def normalize_traj(traj, origin):
    # traj: [T, 2], origin: [2]
    return traj - origin

def split_history_future(traj, obs_len=20, pred_len=30):
    # traj: [T, 2]
    history = traj[:obs_len]
    future = traj[obs_len:obs_len + pred_len]
    return history, future

# 示例
traj = np.random.randn(50, 2) * 10
origin = traj[0]
norm = normalize_traj(traj, origin)
hist, fut = split_history_future(norm)
print(hist.shape, fut.shape)  # (20, 2) (30, 2)

四、数据增强方法

轨迹数据标注成本高、长尾场景稀缺，数据增强是提升泛化能力的关键手段。常用方法包括：

• 几何变换：旋转、平移、镜像场景，模拟不同道路走向与视角。
• 时间扰动：随机缩放速度、轻微时间扭曲，增强对运动节奏变化的鲁棒性。
• 噪声注入：在位置或速度上加入高斯噪声，模拟传感器误差。
• 轨迹混合：对相似场景的轨迹进行插值或替换，生成新交互组合。
• 场景级增强：随机遮挡部分目标、增删邻居，模拟遮挡与稀疏交互。

增强时需保证物理合理性：例如旋转后车道方向应与轨迹一致，速度缩放不应导致加速度超出车辆动力学极限。否则模型会学到不真实的模式。

五、案例与复盘

以城市交叉口左转场景为例：原始数据来自 Argoverse 2，采样率 10 Hz，历史 2 秒、未来 3 秒。预处理时先以自车为中心归一化，再对周围车辆按距离筛选，保留 10 个最近邻居。增强阶段对场景整体旋转 ±15°，并注入 0.1 米位置噪声。训练后发现模型在直行场景表现良好，但左转冲突场景误差偏高。复盘发现：增强时未同步旋转车道线，导致模型依赖了错误的航向先验。修正后，将地图与轨迹一起变换，并增加交互密集场景的采样权重，左转场景的 minADE 下降约 12%。

该案例说明：数据基础工作不是简单的“清洗+增强”，而是要与地图、坐标系、场景语义保持一致。只有采集、标注、预处理与增强形成闭环，轨迹预测模型才能在真实复杂交互中稳定泛化。