1. 课程导入
轨迹预测（Trajectory Prediction）要解决的问题看似一句话就能说清：给定交通参与者（车辆、行人、骑行者等）在过去一段时间内的运动历史，以及周围道路结构与相邻目标的状态，预测它们在未来数秒内可能的运动轨迹。但真正把它做成一个可训练、可比较、可落地的系统，难点远不止“拟合一条曲线”。本课程围绕轨迹预测数据集与Benchmark评测工程展开，目标是把“模型能跑”推进到“结果可信、指标可比、误差可解释”。
一、任务定义：输入、输出与评价对象
在工程语境中，轨迹预测通常被形式化为一个条件概率建模问题。设第 i 个目标在历史窗口 T_obs 内的状态序列为 X_i，场景上下文（车道线、路口拓扑、信号灯、邻车状态）为 C，则模型需要估计未来窗口 T_pred 内的轨迹分布：
输入: X_i = [p_(t-H+1), ..., p_t] # 历史位置/速度/朝向
C = {map, neighbors, signal} # 场景上下文
输出: P(Y_i | X_i, C) # 未来轨迹的概率分布
Y_i = [p_(t+1), ..., p_(t+F)] # 未来 F 个时刻的位置
评价: minADE / minFDE / MR / NLL / brier-minFDE这里的关键在于“分布”而非“单条轨迹”。真实交通中，同一历史可能对应直行、变道、减速让行等多种未来，因此主流数据集与Benchmark普遍要求模型输出 K 条候选轨迹及其概率，再用 minADE（最小平均位移误差）、minFDE（最小终点位移误差）、MR（Miss Rate，未命中率）等指标衡量。理解这些指标的定义，是后续所有实验设计的前提。
二、核心挑战：为什么轨迹预测“看起来简单、做起来难”
轨迹预测的困难来自多个层面，且彼此耦合。第一是多模态性：未来本质上是多分支的，模型若只回归均值，会得到“既不左转也不右转”的无效轨迹。第二是交互性：车辆之间、车辆与行人之间存在博弈与让行，预测必须考虑他者意图。第三是长尾与分布偏移：罕见但危险的场景（鬼探头、施工绕行）样本极少，却恰恰是安全最关心的。第四是评测口径不统一：不同论文对采样率、预测时域、是否使用地图、是否允许后处理的规定不同，导致数字不可直接比较。
工程视角的核心矛盾：模型能力提升往往依赖更大数据与更强结构，但若数据划分、评测协议、指标实现不一致，提升可能只是“评测口径差异”带来的假象。因此，数据集与Benchmark不是附属品，而是决定结论是否成立的基础设施。
三、数据集与Benchmark在工程中的角色
可以把整个轨迹预测工程链路理解为“数据—模型—评测—反馈”的闭环。数据集提供带标注的场景与真实未来，Benchmark提供统一的划分、指标与排行榜，二者共同定义了“什么叫做好”。下图给出本节的核心结构关系：
从图中可以看到，数据集与Benchmark并非“外围工具”，而是与模型同等重要的三个支点：数据决定模型能学到什么，Benchmark决定我们如何判断模型是否真的更好，反馈回路则决定工程能否持续迭代。
四、典型场景：一次“指标异常”的复盘
假设团队在 Argoverse 上训练了一个基线模型，本地验证 minADE=0.85，但提交到公开Benchmark后却只有 minADE=1.42。常见原因往往不是模型退化，而是评测工程细节不一致。可按下表逐项排查：
| 排查项 | 常见偏差 | 正确做法 |
|---|---|---|
| 预测时域 | 本地用 3s，Benchmark 要求 6s | 严格对齐 T_pred 与采样率 |
| 候选轨迹数 | 本地 K=6，评测 K=1 | 确认 K 值与指标计算方式 |
| 地图使用 | 本地未用地图，榜单允许使用 | 记录是否使用 C 上下文 |
| 坐标与对齐 | 未做目标中心化或朝向归一化 | 统一坐标系与原点定义 |
| 缺失值处理 | 对无效帧直接插值 | 按数据集规范过滤或掩码 |
常见误区：把“本地验证集指标”直接当作“Benchmark成绩”。验证集只反映同分布下的表现，而Benchmark的划分、指标实现、后处理规则都可能不同。任何跨数据集、跨榜单的比较，都必须先对齐评测协议。
五、本课程的学习路径与目标
本课程共 30 章，整体遵循“先建立评测观，再掌握数据与模型，最后完成工程闭环”的路径。学习目标包括：
- 概念层：准确理解轨迹预测的任务定义、多模态输出形式与主流指标含义。
- 数据层：掌握 Argoverse、nuScenes、Waymo、INTERACTION 等数据集的字段结构、划分方式与预处理流程。
- 模型层：理解主流预测范式的输入输出接口，能够把模型接入统一评测框架。
- 评测层：能够独立实现 minADE、minFDE、MR 等指标，并识别评测中的口径陷阱。
- 工程层：完成数据加载、训练、推理、评测、误差分析与复现实验的完整链路。
学习建议：每学完一个数据集或Benchmark，都动手写一次数据加载与指标计算脚本。轨迹预测的很多“坑”不在模型结构里，而在坐标系、时间对齐、无效帧和候选轨迹排序这些工程细节中。把评测做对，模型改进才有意义。
当你能够回答“这个 minADE 是在什么时域、多少候选、是否使用地图、如何处理缺失帧的条件下得到的”，你就真正进入了轨迹预测的工程语境。接下来的章节，将从数据集结构开始，逐步搭建这套可复现的评测体系。