自动驾驶轨迹预测评测：从minADE到场景驱动的落地实践

1. 为什么“跑分高”的轨迹预测模型一上路就拉胯

做自动驾驶轨迹预测这行的朋友，大概都经历过一种很拧巴的场景：论文里的 minADE、minFDE、Miss Rate 刷得一个比一个漂亮，榜单上你追我赶，小数点后两位都要争一争。结果真把模型塞进车端或者仿真环境里跑一圈，该刹不住还是刹不住，该犹豫还是犹豫。问题出在哪？不是模型不行，是评测这件事本身就没对齐真实需求。

轨迹预测这个任务，本质上是在回答一个问题：周围这些车、人、骑车的，接下来几秒会往哪走？听起来简单，但它的难点从来不在“预测一条线”，而在于预测的线要能支撑下游的决策规划。一个模型如果平均误差很低，但在“前车突然急刹”“路口鬼探头”“匝道汇入博弈”这些要命场景里全错，那这个低误差毫无意义。这就是标题里说的 “Measuring What Matters”——测真正重要的东西，而不是测那些让榜单好看的指标。

我接触过不少团队，包括做量产的、做仿真的、做数据闭环的，大家踩的坑高度一致：拿一个在 nuScenes 或者 Argoverse 上训好的模型，直接套一套开源评测脚本，看几个数字就下结论。这套流程最大的问题是场景分布和评测目标脱节。公开数据集里的场景是“自然分布”，大部分是直行、跟车、匀速这种简单情况，真正危险的边缘场景（edge case）占比极低。模型只要学会“预测上一帧的延续”，就能在平均指标上拿到不错的分数。但决策规划模块关心的恰恰是那些低频高危场景。

所以这篇东西我想聊的不是“怎么把 minADE 再降 0.05”，而是怎么建立一套场景驱动的评测方法论，让评测结果真正能回答“这个预测器能不能用、在哪些情况下不能用、离能用还差多远”。这套思路对做量产落地的、做仿真测试的、做数据闭环的都适用，哪怕你只是刚入门想搞清楚评测该怎么设计，也能直接抄作业。

关键词先摆在这：autonomous driving、trajectory predictors、evaluation、scenario-driven。下面我会从整体设计思路、核心指标拆解、实操流程、常见坑四个层面展开，中间会穿插具体的参数计算和代码片段，尽量让不同基础的读者都能落地。

2. 场景驱动评测的整体设计思路

2.1 从“平均主义”到“场景切片”的范式转换

传统评测的逻辑是：把测试集所有样本的误差求平均，得到一个标量。这个标量的隐含假设是——每个样本同等重要。但在自动驾驶里，这个假设是错的。一个“空旷高速上跟车”的样本和一个“无保护左转对向直行”的样本，对安全的影响差了几个数量级。平均主义会把后者的问题稀释掉。

场景驱动的核心转换是：先定义场景，再在场景内评测，最后按场景聚合。也就是说，评测的最小单元不是“一个样本”，而是“一类场景”。你需要先把测试数据按场景标签切分，比如：

• 跟车（car-following）
• 换道（lane-change）
• 无保护左转（unprotected-left-turn）
• 环岛（roundabout）
• 匝道汇入/汇出（merge/split）
• 行人横穿（pedestrian-crossing）
• 鬼探头（occluded-pedestrian）
• 施工区（construction-zone）

每个场景单独算指标，单独看分布。这样你得到的不是“模型误差 0.8 米”，而是“模型在跟车场景误差 0.3 米，在无保护左转场景误差 2.1 米且漏检率 35%”。后者才能指导你下一步该补什么数据、改什么结构。

2.2 场景标签从哪来：三层来源

场景标签不会凭空出现，实操中一般有三个来源，我按可靠性从高到低排：

第一层：人工标注。最准，但最贵。适合小规模高价值场景，比如专门标一批“鬼探头”。标注内容不只是场景类别，还要包括关键交互对象、交互类型（让行/抢行/博弈）、危险等级。

第二层：规则挖掘。用运动学规则从原始轨迹里自动切场景。比如“换道”可以定义为：横向位移超过一个车道宽、持续 2 秒以上、且横向速度方向一致。这种规则能覆盖大部分结构化场景，成本低，但边界模糊的场景容易漏。

第三层：模型打标。用一个预训练的场景分类器给样本打标签。适合大规模粗筛，但会有噪声，通常作为前两层的补充。

实操建议是三层结合：规则先粗筛出候选，人工抽检修正规则，模型补长尾。别指望一步到位，场景标签体系是迭代出来的。

2.3 评测目标对齐下游：预测器到底服务谁

这是最容易被忽略的一点。轨迹预测不是孤立任务，它的输出要喂给规划控制。所以评测指标必须和下游需求对齐。规划模块关心什么？我总结下来是三条：

1. 安全性：预测的轨迹不能漏掉真正危险的运动模式。比如前车可能急刹，你只预测了匀速，规划就会跟太近。
2. 多模态覆盖：真实世界有不确定性，预测器要给出多种可能的未来，且真实未来要落在预测集合里（这个就是 Miss Rate 的由来）。
3. 时序一致性：连续帧之间的预测不能跳变，否则规划会抖。

所以评测设计时，除了常规的位移误差，必须加入漏检率（Miss Rate）、多模态覆盖度、时序抖动这几个维度。只盯 minADE 的评测是不完整的。

3. 核心指标拆解与参数计算

3.1 minADE / minFDE：别被“min”骗了

minADE（minimum Average Displacement Error）和 minFDE（minimum Final Displacement Error）是轨迹预测最常用的指标。定义是：模型输出 K 条候选轨迹，取其中和真实轨迹平均位移误差最小的那条，算误差。公式：

minADE = min_{k=1..K} (1/T) * Σ_{t=1..T} || p_k(t) - p_gt(t) || minFDE = min_{k=1..K} || p_k(T) - p_gt(T) ||

这里有个大坑：min 操作会让指标虚高。K 越大，min 越容易小。一个模型输出 6 条轨迹，只要有一条蒙对了，minADE 就很好看，哪怕另外 5 条全是垃圾。所以看 minADE 必须同时看 K 的值，K=1 和 K=6 的 minADE 没有可比性。

更合理的做法是同时报告 minADE 和平均 ADE（不取 min，而是对多模态做加权），或者用Miss Rate来约束：真实轨迹如果不在预测集合的某个距离阈值内，就算 miss。Miss Rate 比 minADE 更能反映“覆盖能力”。

3.2 Miss Rate 的阈值怎么定

Miss Rate 的定义是：真实轨迹的终点（或整条轨迹）与预测集合中最近的一条的距离超过阈值，就算 miss。阈值的选择直接决定指标松紧。常见阈值：

我的经验是：量产验证用 1.0 m 终点阈值 + 1.5 m 全程阈值双约束。公开数据集对比可以用 2.0 m，但别拿这个当落地标准。

3.3 场景内指标聚合：加权而非平均

切完场景后，怎么把各场景指标合成一个总评？直接平均是错的，因为场景样本量差异巨大。正确做法是按场景危险度加权。可以定义一个危险权重 w_s，比如：

w_s = α * 事故率 + β * 交互复杂度 + γ * 遮挡程度

α、β、γ 根据你的运营数据调。没有运营数据就用专家打分，先粗后细。加权后的总指标才反映“真实风险暴露下的性能”。

3.4 时序一致性指标：抖动率

这个指标公开数据集里很少提，但量产必看。定义：连续两帧预测的同一条模态轨迹，在重叠时间窗内的位移差。抖动率过高，规划会频繁修正，乘坐体验极差。计算方式：

jitter = (1/N) * Σ || p_k(t+1 | t+1) - p_k(t+1 | t) ||

其中 p_k(t+1 | t) 表示在 t 时刻预测的 t+1 位置。这个值一般要求小于 0.2 m/帧，超过 0.5 m/帧基本没法用。

4. 实操流程：从数据到评测报告

4.1 数据准备与场景切分

假设你手头有一批测试数据，格式是每帧包含自车状态、周围物体轨迹、地图信息。第一步是场景切分。我用 Python 写一个规则切分的骨架：

import numpy as np def detect_lane_change(traj, lane_width=3.5, min_duration=2.0, dt=0.1): """检测换道：横向位移超过一个车道宽且持续""" lateral = traj[:, 1] # 假设 y 是横向 lateral_vel = np.gradient(lateral, dt) # 找横向速度方向一致的连续段 sign = np.sign(lateral_vel) segments = [] start = 0 for i in range(1, len(sign)): if sign[i] != sign[start] and abs(lateral[i] - lateral[start]) > lane_width: if (i - start) * dt >= min_duration: segments.append((start, i)) start = i return segments def detect_car_following(ego, obj, thresh=15.0): """跟车：同车道、纵向距离小于阈值、速度相关""" dx = obj[:, 0] - ego[:, 0] dy = obj[:, 1] - ego[:, 1] same_lane = np.abs(dy) < 1.5 close = np.abs(dx) < thresh return np.where(same_lane & close)[0]

这段代码只是示意，实际场景切分要复杂得多，需要结合地图车道线、交通灯状态、交互对象数量。但核心思路是：用运动学特征 + 地图语义做规则切分，再人工抽检修正。

4.2 评测脚本的核心结构

评测脚本我建议分成四层：数据加载层、场景过滤层、指标计算层、报告生成层。指标计算层是核心，下面是一个 minADE/Miss Rate 的计算示例：

def compute_metrics(preds, gt, miss_thresh=2.0): """ preds: (K, T, 2) K条候选轨迹 gt: (T, 2) 真实轨迹 """ K, T, _ = preds.shape # 每条候选的 ADE ade_per_mode = np.mean(np.linalg.norm(preds - gt[None, :, :], axis=-1), axis=1) min_ade = np.min(ade_per_mode) # FDE fde_per_mode = np.linalg.norm(preds[:, -1, :] - gt[-1, :], axis=-1) min_fde = np.min(fde_per_mode) # Miss Rate miss = 1.0 if min_fde > miss_thresh else 0.0 return min_ade, min_fde, miss

注意这里miss_thresh是终点阈值。如果要算全程 Miss Rate，把 FDE 换成整条轨迹的最小平均距离即可。

4.3 场景聚合与报告

算完每个样本的指标后，按场景标签聚合。我习惯输出一张这样的表：

这张表一眼就能看出问题：鬼探头场景 Miss Rate 接近 60%，说明模型基本没覆盖这种运动模式。下一步就该去补鬼探头数据、加遮挡推理模块。这比看一个总 minADE=0.45 有用得多。

4.4 参数选择与计算过程

阈值不是拍脑袋定的。以 Miss Rate 终点阈值 2.0 m 为例，这个值的来源是：车辆宽度约 1.8 m，预测终点偏差超过一个车身宽度，规划就无法可靠避让。所以 2.0 m 是一个物理意义明确的阈值。再严格一点用 1.0 m，对应“半个车身”，适合低速场景。

抖动率阈值 0.2 m/帧的来源：规划周期通常 100 ms，车速 10 m/s 时每帧位移 1 m，抖动超过 20% 就会引起明显修正。所以 0.2 m 是体验可接受的边界。

这些计算过程写进评测报告，评审时才有说服力。别只写“我们用了 2.0 m 阈值”，要写“因为车身宽度 1.8 m，所以取 2.0 m”。

5. 常见问题与排查技巧实录

5.1 场景标签噪声大怎么办

规则切分出来的场景，边界样本经常标错。比如“换道”和“避障绕行”在运动学上很像。排查方法：对每个场景随机抽 50 个样本可视化，看轨迹和地图，人工判断标签对不对。如果错误率超过 10%，回去改规则。别嫌麻烦，标签错了后面全错。

5.2 模型在简单场景过拟合

有些模型在跟车场景 minADE 极低，但一换道就崩。这通常是训练数据分布问题。排查：看训练集的场景分布和测试集是否一致。如果训练集 80% 是跟车，模型自然只会跟车。解决办法是在训练时对稀有场景过采样，或者用场景加权的损失函数。

5.3 Miss Rate 和 minADE 矛盾

经常出现 minADE 降了但 Miss Rate 升了的情况。原因是模型把多模态的“多样性”牺牲了，6 条轨迹挤在一起，平均误差小但覆盖差。这时候要看多模态方差：如果 6 条轨迹的终点方差小于 1 m²，说明模型退化了。解决办法是加多样性正则项，或者用 Winner-Takes-All 类损失。

5.4 评测结果不可复现

这是工程问题。常见原因：随机种子没固定、数据加载顺序不一致、浮点精度差异。排查清单：

• 固定所有随机种子（numpy、torch、cuda）
• 数据加载用确定性 shuffle
• 指标计算用 float64 累加
• 记录环境版本（CUDA、驱动、库版本）

我踩过最坑的一次是 CUDA 版本差异导致同一模型两次评测 Miss Rate 差 3 个百分点，查了两天才发现是 cuDNN 的卷积算法选择不同。所以评测环境一定要锁死。

5.5 场景样本太少怎么统计

鬼探头这种场景可能只有几十个样本，算出来的 Miss Rate 置信区间很宽。这时候要报告置信区间，而不是一个点估计。用 bootstrap 重采样算 95% CI：

def bootstrap_ci(data, n_boot=1000, alpha=0.05): stats = [] for _ in range(n_boot): sample = np.random.choice(data, size=len(data), replace=True) stats.append(np.mean(sample)) lower = np.percentile(stats, 100 * alpha / 2) upper = np.percentile(stats, 100 * (1 - alpha / 2)) return lower, upper

如果 CI 宽度超过 20 个百分点，说明样本量不够，结论要谨慎。

5.6 常见问题速查表

6. 场景驱动评测的扩展方向

6.1 从离线评测到闭环仿真

离线评测只能看预测本身，看不到预测对下游的影响。更进一步是闭环仿真：把预测器接入仿真器，让规划控制基于预测做决策，看最终的安全指标（碰撞率、急刹率、通行效率）。这才是终极评测。但闭环仿真成本高，通常作为离线评测的补充，用于关键场景的深度验证。

6.2 对抗场景生成

自然数据里危险场景太少，可以用对抗方法生成。比如在仿真里让周围车辆主动制造冲突，逼出预测器的弱点。生成的场景再人工筛选，补充到评测集里。这样评测集能持续进化，不会因为模型在固定集上过拟合而失效。

6.3 评测智能体的自动化

最近有个趋势是用智能体（agent）自动做评测分析。思路是：让一个 LLM 驱动的智能体读取评测报告，自动定位薄弱场景，生成改进建议，甚至自动触发数据挖掘流程。这个方向还在早期，但能大幅降低评测的人力成本。实操中可以先做半自动：智能体出报告，人工审核后再执行。

6.4 跨数据集泛化评测

一个模型在 nuScenes 上好，不代表在 Argoverse 上好，更不代表在你的运营数据上好。跨数据集评测能暴露过拟合问题。做法是：在 A 数据集训练，在 B 数据集测试，看指标下降幅度。下降超过 30% 就说明泛化能力不足，需要加域适应或更多样化的训练数据。

7. 我在实际评测中踩过的坑

说几个具体的。第一个是评测集泄漏。有次发现模型在测试集上 Miss Rate 异常低，查了半天发现测试集和训练集有重叠片段，因为数据是按 clip 切的，相邻 clip 有重叠帧。后来改成按场景切分，确保训练测试无重叠。这个坑很隐蔽，建议大家在切数据时就做好隔离。

第二个是指标计算的时间对齐。预测轨迹和真实轨迹的时间戳必须严格对齐，差一帧结果就差很多。有次因为数据加载时做了插值，导致时间戳偏移，minADE 虚高了 0.1。后来加了时间戳校验，对不齐的直接报错。

第三个是场景权重的争议。加权总指标里权重怎么定，团队经常吵。我的经验是：先用专家打分定一版，然后拿运营数据回归。比如用实际接管率作为目标，回归出各场景的权重。这样权重有数据支撑，争议就少了。

最后一个心得：评测报告要可视化。光看数字没感觉，把失败案例的轨迹画出来，标上预测和真实，一眼就能看出问题。我习惯每个场景挑 5 个最差案例画图，附在报告里。评审的时候大家看