自动驾驶中，轨迹预测一般位于感知模块的后端，规控的前端，为承上启下的模块。输入为感知模块提供的目标车辆/行人的位置、速度等历史状态信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，对感知到的各类目标做出意图预测以及未来一段时间的轨迹预测(0-5s不等)。在对目标进行预测后，规控便可根据预测信息进行自车的路径规划，并做出决策对可能出现的危险情况进行制动或发出告警，这便是轨迹预测模块存在的意义所在。

当前的轨迹预测方法可分为短期预测与长期预测，其中长期预测是当前业界主要在做的。这种预测方法一般需要做意图预测，并结合一些上下文信息(地图、目标间交互信息)才能得到不错的结果。然而自动驾驶场景非常复杂，并且在元素中存在异质性，且拥有各种类型的信息。

为了解决这个问题，来自上海人工智能实验室自动驾驶团队的贾萧松博士等人，将异质图网络与Transformer结合起来，提出了一种将自动驾驶场景模拟为具有不同类型节点和边缘的异质图方法HDGT（论文地址: https://arxiv.org/abs/2205.09753）。该方法在大规模公开数据集上验证了方案的有效性以及可拓展性。而针对现有方法在预测轨迹过程中忽视了时间关联性的问题，贾萧松等人在CoRL 2022 发表的最新工作Temporal Coarse-to-Fine中，也提出了逐层增加时间先验的输出模块，可以显著提高了预测出的轨迹精确度与真实性。

「惠普 AI 合作伙伴系列公开课」第四期特别邀请到上海人工智能实验室参与。本期定名为「自动驾驶轨迹预测专场」。专场将于10月25日开讲，由上海人工智能实验室自动驾驶团队实习生、上海交通大学严骏驰老师ThinkLab团队在读博士贾萧松主讲，主题为《自动驾驶轨迹预测模型的设计与实现》。

在本次专场，贾萧松博士将先对自动驾驶轨迹预测任务的挑战进行分析，之后会讲解目前主流的轨迹预测方法。最后，贾博会重点介绍他们最新提出的基于GNN与Transformer的轨迹预测模型和引入时间先验的Temporal Coarse-to-Fine方法。

「自动驾驶轨迹预测专场」将以视频直播形式进行，包含40分钟主讲和20分钟问答。同时，针对本次专场，也组建了主讲群，届时主讲人贾萧松博士将加入，欢迎感兴趣的朋友申请。