#技术巡猎# #极氪# 一种车周交通参与者轨迹预测方法、装置、设备及介质。
智能驾驶里有一个问题普通用户是很容易感知到的，车不是只要看见前面有人、有车就够了，它还得判断这些人和车接下来的运动是什么样的。

但其实这个判断很难。
因为路上的交通参与者不是孤立的物体。
前车减速会影响后车，行人横穿会影响旁边车辆，一个突然跑出来的孩子和一个静止路障，危险程度完全不一样。系统如果只看历史轨迹，然后把它往前外推，就容易把真实交通场景想得太简单。

这份极氪的专利处理的就是这个旧问题。
现有轨迹预测方法通常把车辆、行人等交通参与者视为孤立个体，只基于历史轨迹外推，忽略真实交通里的多主体交互。
同时，固定权重或简单融合策略，也很难自适应捕捉不同参与者之间的动态关联。

专利方案的核心，是把“它是谁”和“它怎么动”放到一起看。

方法先获取车周环境连续图像帧，在图像帧里采集各个车周交通参与者的类别信息和轨迹序列。类别信息会被编码成类别特征向量，轨迹序列会被映射成轨迹特征向量，然后两类特征拼接成复合特征向量。后面再通过注意力机制构建不同交通参与者之间的交互特征，并基于这些交互特征预测每个交通参与者的未来轨迹。

这段技术真正有意思的地方，是“类别语义先验”。

同样是一个目标，车、行人、电瓶车、卡车、路侧障碍物，对自车的意义是不一样的。
一个大车压过来和一辆小车缓慢跟行，不该被系统用同一种影响力理解；一个儿童突然奔跑和成年人沿路边慢走，也不该只用轨迹点距离解释。

所以它需要让模型知道，不同类别的交通参与者，会以不同方式影响周围目标。
车载摄像头连续采集图像后，可以生成俯视视角下每个参与者的位置信息和类别信息，再用多目标跟踪得到轨迹序列。
当车载摄像头运动速度超过预设阈值时，还会根据外观特征优化跟踪结果。

这个细节很重要，因为自车也在动，车周目标也在动，如果跟踪本身不稳定，后面的预测就会跟着不靠谱。

放到用户体验里，这类能力不会被感知成一个单独按钮。

用户更可能感受到的是，智驾在复杂路口、学校门口、非机动车混行、前车遮挡这些场景里，它能提前收敛速度，少一点突然刹车，以及不犹豫。

除此以外，还有一个延伸动作：根据每个交通参与者未来位置点的坐标和时间戳，可以继续推算位置、速度、加速度，再预测自车和目标之间即将发生碰撞的时长间隔。如果这个间隔落入目标类别对应的阈值等级范围，就触发对应预警。

到了这里，轨迹预测和风险分级就接上了。不是所有目标都需要同样强度的提醒，也不是所有接近都意味着同样的危险。系统要做的是把类别、运动趋势、交互关系和碰撞时间放在一起判断。一个横穿的行人，和一辆同向慢行的车，可能距离相近，但风险含义并不一样。

真正的路面从来不是一堆孤立目标，而是一群会互相影响、互相让路、互相制造风险的人和车。