自动驾驶中用于轨迹预测的大型基础模型：全面综述

轨迹预测是自动驾驶中的一项关键功能，能够预测车辆和行人等交通参与者的未来运动路径，这对驾驶安全至关重要。尽管传统的深度学习方法提高了准确性，但仍受到固有局限性的阻碍，包括缺乏可解释性、严重依赖大规模标注数据以及在长尾场景中泛化能力弱。大型基础模型 (LFMs) 的兴起正在改变轨迹预测的研究范式。本文综述系统回顾了 LFMs 的最新进展，特别是用于轨迹预测的大型语言模型 (LLMs) 和多模态大型语言模型 (MLLMs)。通过整合语言和场景语义，LFMs 促进了可解释的上下文推理，显著提升了复杂环境中的预测安全性和泛化能力。本文重点介绍了三种核心方法：轨迹-语言映射、多模态融合和基于约束的推理。涵盖了车辆和行人的预测任务、评估指标以及数据集分析。讨论了计算延迟、数据稀缺和现实世界鲁棒性等关键挑战，以及低延迟推理、因果感知建模和运动基础模型等未来研究方向。