面向自动驾驶车辆轨迹预测的机器学习：全面综述、挑战与未来研究方向

自动驾驶车辆（AVs）通过以先进的计算机辅助决策系统替代人类驾驶员，已成为一种有前景的解决方案。然而，为使 AVs 能有效在道路上行驶，它们必须具备预测附近交通参与者未来行为的能力，类似于人类驾驶员的预测驾驶能力。在现有文献基础上推进研究，对于发展对自动驾驶背景下轨迹预测方法的全面理解至关重要。为满足这一需求，我们开展了聚焦于 AVs 轨迹预测方法的全面综述，特别强调了包括深度学习和基于强化学习的方法在内的机器学习技术。我们广泛考察了超过两百项与 AVs 轨迹预测相关的研究。本文首先介绍车辆轨迹预测的一般问题，并概述全文使用的关键概念与术语。在简要概述传统方法后，本综述对若干基于深度学习的技术进行了全面评估。每种方法均作简要总结，并附有其优势与劣势的详细分析。讨论进一步延伸至基于强化学习的方法。本文还考察了轨迹预测任务中常用的各类数据集与评估指标。通过鼓励 unbiased 且客观的讨论，我们考虑特定功能特征，对两种主要学习过程进行比较。通过识别现有文献中的挑战并勾勒潜在研究方向，本综述显著推动了 AV 轨迹预测领域的知识进展。