2. 交通参与者基础

交通参与者运动预测的第一性原理是：预测对象不是“点”，而是具有物理约束、感知能力、意图和社会交互属性的智能体。行人、机动车、骑行者三类参与者在自由度、动力学、决策周期和交互规则上差异显著，若用同一套运动学模型处理，预测误差会在 1 秒后迅速发散。本节从运动特性、行为模式、参数差异和典型误区四个层面建立参与者基础认知。

一、核心原理：三类参与者的运动学与决策差异

行人属于高自由度、低速度、短决策周期的参与者。其运动可用“社会力模型”或“ORCA 互惠避碰”描述：行人会同时受到目标吸引力、他人排斥力和障碍物排斥力，速度通常在 1.0～1.6 m/s，转向几乎无延迟，可在 0.2～0.5 s 内完成方向修正。这意味着行人轨迹的横向不确定性远大于纵向，预测时不能只做匀速外推。

机动车属于低自由度、高速度、长决策周期的参与者。其运动受阿克曼转向几何和轮胎附着极限约束，横向加速度一般不超过 3～4 m/s²，转向存在明显滞后。驾驶员的决策周期约为 0.5～1.5 s，且受“跟驰—换道—让行”规则支配。因此车辆预测必须引入运动学可行性约束，否则会输出物理上不可能的急转轨迹。

骑行者介于两者之间：速度约 4～7 m/s，横向摆动明显，且常出现“绕行、借道、逆行”等非规范行为。骑行者的平衡需求使其轨迹呈周期性蛇形，同时其决策既受交通规则约束，也受体力与舒适度影响。

二、方法流程：从原始轨迹到行为模式识别

工程上处理交通参与者数据通常遵循以下流程：

1. 轨迹采集与坐标对齐：将激光雷达、摄像头、路侧单元数据统一到同一世界坐标系，采样率建议不低于 10 Hz。
2. 运动学特征提取：计算速度、加速度、航向角变化率、横向偏移等，用于区分参与者类型。
3. 行为模式分类：将轨迹切分为“直行、左转、右转、换道、停车、绕行”等原子行为。
4. 交互关系建模：构建参与者之间的时空图，识别跟驰、冲突、让行等交互对。
5. 预测模型输入：将历史轨迹、类型标签、交互图共同输入预测网络。

三、案例/场景：无信号人行横道处的三方交互

考虑一个典型场景：机动车右转进入人行横道，同时有行人正在过街，右侧还有骑行者直行。此时三类参与者的行为模式同时触发：

• 车辆：驾驶员先减速观察，若判断行人距离较远则可能加速通过，否则停车让行。其决策受“让行规则”和“通行效率”双重影响。
• 行人：会根据车辆速度与距离决定继续走、加速通过还是后退等待，存在明显的博弈特征。
• 骑行者：可能选择从车辆后方绕行，或加速抢在车辆前通过，轨迹摆动幅度增大。

该场景中，若预测模型只对车辆做匀速外推，会忽略行人“驻足—启动”的状态切换，导致预测轨迹与真实轨迹在 1.5 s 后偏差超过 2 m。正确做法是引入状态机：行人至少包含“行走、等待、启动、避让”四个状态，车辆包含“巡航、减速、停车、起步”四个状态。

四、参数对比清单

五、误区与复盘

# 参与者类型与行为状态标注示例
{
  "track_id": 1024,
  "type": "pedestrian",
  "state": "walking",
  "velocity": 1.32,
  "heading_change_rate": 0.18,
  "interaction": ["vehicle_207", "cyclist_88"],
  "prediction_horizon": 3.0
}

掌握三类参与者的运动特性与行为模式，是后续轨迹预测、交互建模和风险评估的共同基础。只有先建立“谁在动、怎么动、为什么这样动”的认知框架，才能让预测模型输出既符合物理约束、又符合社会规则的轨迹。