VectorNet, Multi-Modal Prediction — 预测未来轨迹

---

第一部分: VectorNet 编码器

1.1 为什么需要折线编码?

自动驾驶场景由道路元素组成: 车道线、路缘、人行道都是折线。

地图元素 (折线): 车道线、路缘、停止线
轨迹历史 (折线): 车辆/行人过去 2 秒的路径

VectorNet 用统一的折线表示处理两类输入。

1.2 Subgraph + Global Graph

- Subgraph (子图): 编码每条折线内部的几何形状

- Global Graph (全局图): 编码折线之间的交互关系

Subgraph:  self-attn  on each polyline → polyline feature
Global:    cross-attn across polylines → context-aware features

---

第二部分: 多模态轨迹预测

2.1 为什么需要多模态?

一辆车在路口可能:

- 直行 (概率 0.6)

- 左转 (概率 0.3)

- 右转 (概率 0.1)

单条轨迹预测无法覆盖这种不确定性。

2.2 锚点+残差预测

traj_k = anchor_k + offset_k  (k = 1, ..., K)
probs = softmax(cls_logits)   (K 个模式的概率)

预定义 K 个锚点轨迹, 网络预测偏移量和置信度。

---

第三部分: Goal-Conditioned 预测

3.1 TNT: Target-driveN Trajectory

TNT 将轨迹预测解耦为两步:

1. 目标预测: 选 top-K 个可能的目标点

2. 轨迹补全: 对每个目标点生成完整轨迹

优势: 目标点 (位置) 和完整轨迹 (时间+空间) 解耦。

3.2 训练策略

goal_loss = CE(goal_logits, target_goal)
traj_loss = Huber(pred_traj, gt_traj)
total = goal_loss + traj_loss

---

第四部分: ADE/FDE 评估

4.1 指标定义

指标	定义	含义
ADE	avg(		pred_t - gt_t		)	平均位移误差
FDE			pred_T - gt_T			终点位移误差
minADE	min_K(ADE_k)	最佳模式的 ADE
Miss Rate	P(minFDE > 2m)	超过 2m 误差的比例

4.2 Winner-Takes-All 训练

只对最佳预测模式回传梯度, 鼓励模式覆盖不同的可能性。

---

第五部分: 自动驾驶应用

5.1 预测范围

- 观测: 2 秒 (20 步 @ 10Hz)

- 预测: 3 秒 (30 步 @ 10Hz)

5.2 应用场景

- 近距离: 路口让行、避让行人

- 高速公路: 变道预测

- 多车交互: 谁先通过路口

---

总结

1. ✅ VectorNet: Subgraph + Global Graph 折线编码

2. ✅ 多模态: K 种可能轨迹覆盖不确定性

3. ✅ Goal-Conditioned: 先目标→后轨迹 (TNT)

4. ✅ ADE/FDE: 轨迹预测标准评估

5. ✅ 交互建模: 车辆间相互影响

---

下一章: 模仿学习与行为克隆 — 从专家数据学习驾驶策略