STEP：结构化训练与评估平台，用于基准测试轨迹预测模型
机器学习
2025-09-19 v1
摘要
虽然轨迹预测在自动驾驶中发挥着关键作用，以实现安全有效的路径规划，但目前缺乏统一的评估实践。近期努力旨在统一数据集格式和模型接口以便进行比较，但现有框架往往不足以支持异构交通情景、联合预测模型或用户文档。在本工作中，我们引入了 STEP——一个新的基准测试框架，通过提供统一的接口支持多个数据集、强制执行一致的训练和评估条件，以及支持广泛的预测模型来解决这些限制。我们在多个实验中展示了 STEP 的功能，揭示了 1）广泛使用的测试程序的局限性， 2）联合建模代理以提高预测交互效果的重要性，以及 3）当前 SOTA 模型在分布偏移和针对性攻击下的脆弱性。随着 STEP，我们的目标是将注意力从“排行榜”方法转向对复杂多智能体环境下模型行为和泛化能力的深入见解。
引用
@article{arxiv.2509.14801,
title = {STEP: Structured Training and Evaluation Platform for benchmarking trajectory prediction models},
author = {Julian F. Schumann and Anna Mészáros and Jens Kober and Arkady Zgonnikov},
journal= {arXiv preprint arXiv:2509.14801},
year = {2025}
}