轨迹预测是自动驾驶、机器人和行人行为分析中的核心任务，指通过历史运动状态与环境信息，推断交通参与者未来一段时间的位置或路径。随着大模型与多模态感知技术的发展，该领域正从单一时序建模走向融合不确定性、地图上下文与安全评估的综合框架。
轨迹预测近期进展
当前焦点与观察点
当前轨迹预测研究的关注点集中在三方面：一是不确定性量化，如X-TRACK的做法，让模型给出概率化的多模态输出而非单一最优解；二是上下文建模，包括地图拓扑、交通规则与多智能体交互，GNN和Transformer已成为主流骨干；三是数据来源多样化，路侧LiDAR等基础设施感知正与车端感知互补，支撑更完整的安全评估。
争议与挑战方面，学术基准上的精度提升与实际落地效果之间仍有差距：模型在常见场景表现良好，但在长尾场景中预测误差显著放大，且预测时长越远误差越大。此外，如何将预测结果与下游规划决策的代价函数衔接，避免“预测准但决策差”的脱节，仍是学界与产业界共同关注的问题。未来一段时间，小型化模型与概率化输出的结合，可能是轨迹预测走向规模化部署的重要方向。