AAAI 2025|自动驾驶轨迹预测别再“只会本地开”!浙大团队STraj让模型跨城市也能稳住

⚠️ 自动驾驶的真实尴尬：模型在一个城市训练好，换个城市就掉性能

自动驾驶轨迹预测，听起来像是一个很明确的问题：

给定车辆、行人、骑行者过去几秒的运动轨迹，再结合地图和周围交通参与者信息，预测他们未来会怎么走。

但真正进入真实世界后，问题远没有这么简单。

因为不同城市的道路形态、车流密度、车道结构、交互模式差异非常大。一个在 Pittsburgh 训练好的轨迹预测模型，到了 Miami 可能就不适应了。不是模型突然不会预测，而是它学到的交通分布和新城市的交通分布不一样。

这就是论文里强调的核心问题：

Cross-Geography Gap，跨地理域差异。

自动驾驶不是只在一个城市跑 demo。真正落地时，模型必须面对不同城市、不同道路结构、不同交通参与者密度。可现实是，很多轨迹预测模型在源城市表现不错，一旦迁移到目标城市，性能会明显下降。

AAAI 2025 论文 STraj: Self-training for Bridging the Cross-Geography Gap in Trajectory Prediction 正是为了解决这个问题。

一句话概括：

STraj 想让轨迹预测模型不再“只会本地开”，而是能跨城市泛化。

🧠 本文核心思想：目标城市没有标签？那就用自训练生成“伪轨迹”来学

跨城市轨迹预测最大的难点是：

目标城市通常没有标注好的未来轨迹。

如果每到一个新城市都重新采集、清洗、标注大规模轨迹数据，成本会非常高。自动驾驶公司不可能每扩展一个城市就从零标注一次完整数据。

所以这篇文章走的是 Unsupervised Domain Adaptation，无监督域适应 路线。

也就是说：

源城市有标注数据。 目标城市没有标注数据。 模型要利用源城市标签和目标城市无标签数据，提升在目标城市上的轨迹预测能力。

STraj 的核心方法是自训练。

简单说，就是让模型先对目标城市样本生成伪标签，也就是 pseudo trajectories，然后用这些伪轨迹反过来监督模型继续训练。

但轨迹预测的伪标签不是普通分类标签。

分类任务里，伪标签可能只是一个类别，比如“车”或者“人”。 轨迹预测里，伪标签是一整条未来时间序列坐标。

这就更难。

因为伪轨迹可能方向对了但长度不对，也可能终点接近但中间过程完全不合理。如果直接拿低质量伪轨迹训练，模型会被带偏。

所以 STraj 的关键不是简单“生成伪标签”，而是：

生成更可靠的伪轨迹，更新更稳定的伪轨迹，再用伪轨迹去约束表示学习。

🔧 STraj三步走：生成、更新、利用伪轨迹

STraj 的整体框架可以概括为三步：

Pseudo label generation → Pseudo label update → Pseudo label utilization

也就是：

先生成伪标签， 再稳定更新伪标签， 最后充分利用伪标签。

这三步分别对应跨地理轨迹预测中的三个痛点。

1. 互补式 Agent-Map 增强：先让模型见过更多“城市变化”

第一步是伪轨迹生成。

如果源城市数据本身太单一，模型生成的初始伪标签质量就会很差。

比如 Pittsburgh 和 Miami 的 agent 数量分布、lane segment 数量分布明显不同。一个模型如果只在某种城市结构下训练，到了另一个城市就容易不适应。

所以 STraj 在预训练阶段提出了 complementary agent and map augmentations。

它不是简单随机遮挡，而是从两个视角做互补增强：

一方面对周围交通参与者 agent 进行增强； 另一方面对地图 lane segment 进行增强。

更关键的是，它不是粗暴随机 mask，而是根据距离设计弱增强和强增强。近处 agent 和 lane 通常对目标车未来轨迹更重要，远处信息相对次要。STraj 利用这种空间关系做 weighted random masking，让模型在训练时见到更多变化场景，同时避免把关键信息一次性遮掉太多。

这一步的作用可以理解为：

先训练一个更抗城市差异的轨迹预测器，让它生成的初始伪轨迹别太离谱。

2. 伪轨迹更新：不是所有伪标签都能信，只信“前后一致”的轨迹

第二步是伪标签更新。

这是 STraj 里非常重要的设计。

轨迹预测的伪标签会随着训练 epoch 不断变化。一个目标车辆在第 3 个 epoch 预测出的未来轨迹，可能和第 10 个 epoch 预测出的未来轨迹不完全一样。

如果模型每一轮都盲目相信当前伪标签，训练会很不稳定。

STraj 的思路是：

看当前伪轨迹和历史伪轨迹是否一致。

如果一条伪轨迹在不同训练阶段都比较一致，说明模型对这个样本的判断比较稳定，可以拿来监督训练。

如果当前伪轨迹和历史伪轨迹差异很大，那就说明它不可靠，应该暂时忽略。

论文中用整条未来时间序列轨迹的 cosine similarity 来衡量一致性，而不是只看终点。这一点很关键。

因为轨迹不是一个点，而是一段运动过程。

只看终点可能会误判。两条轨迹终点接近，但中间路径可能完全不同；而自动驾驶真正关心的是整个运动过程是否合理。

所以 STraj 选择高一致性、高置信度的伪轨迹作为更新结果，并用一致性程度给目标域预测损失加权。

可以理解为：

越稳定的伪轨迹，监督权重越高；越不稳定的伪轨迹，暂时别信。

这比直接使用全部伪标签要稳得多。

3. 轨迹诱导对比学习：让“走法相似”的车靠近，“走法不同”的车分开

第三步是伪轨迹利用。

STraj 不只是用伪轨迹做监督，还进一步提出了 trajectory-induced contrastive learning，轨迹诱导对比学习。

为什么需要这一步？

因为跨城市场景中，agent 表示会受到周围车辆数量、车道结构、地图复杂度的影响。不同城市的交通分布不同，模型学到的 agent representation 也会产生偏差。

但轨迹预测真正应该关注的是：

未来运动意图相似的 agent，表示应该更接近；未来运动意图不同的 agent，表示应该更分离。

比如同样是车辆：

直行、左转、右转的未来轨迹显然不同。 即使它们都属于 vehicle 类别，也不应该被简单拉到一起。

所以 STraj 用生成的伪轨迹来判断正负样本。

未来轨迹相似的 agent 被视作正样本，表示拉近； 未来轨迹差异明显的 agent 被视作负样本，表示推远。

而且它同时做 intra-domain 和 inter-domain contrastive learning，也就是既在同一城市内部做对比，也在不同城市之间做对比。

这一步的核心价值是：

让模型不再只按城市分布学表示，而是按真实运动模式学表示。

📊 实验结果：跨城市迁移，STraj稳稳超过多个基线

论文在 Argoverse 1 数据集上做实验，重点评估 Miami 和 Pittsburgh 之间的跨地理迁移。

任务包括：

Miami → Pittsburgh Pittsburgh → Miami

评估指标是轨迹预测常用的 minADE、minFDE 和 MR。

结果很明显：STraj 在大多数跨地理任务中超过 Source Only、ICON、S-attack 和 Frenét 等方法。

以 MIA → PIT、LaneGCN、K=1 为例，Source Only 的 minADE/minFDE/MR 是：

2.32 / 5.46 / 0.755

STraj 提升到：

1.96 / 4.45 / 0.685

这意味着 STraj 在跨城市场景下显著降低了平均轨迹误差、终点误差和 miss rate。

更重要的是，STraj 不是只绑定一个模型。论文同时在 LaneGCN 和 HPNet 上验证，说明它具有一定 plug-and-play 能力。

这点很重要。

因为自动驾驶轨迹预测模型更新很快。如果一个方法只能适配单一 backbone，实用性会受限。而 STraj 的定位是一个自训练 pipeline，可以接到已有轨迹预测器上，并且推理阶段不增加额外计算负担。

🎯 这篇文章真正的价值：自动驾驶预测不能只在“本地数据”上刷分

过去很多轨迹预测论文关注的是模型结构本身：

更强的 GNN。 更复杂的 Transformer。 更细的地图编码。 更好的多模态轨迹生成。

这些当然重要。

但 STraj 抓住的是另一个更现实的问题：

模型能不能跨城市泛化？

一个自动驾驶预测模型，如果只在训练城市好用，换一个城市就掉性能，那它离真实部署还有距离。

因为真实世界不是单一数据集。 不同城市有不同车流、路口、车道结构、交通习惯和道路拓扑。

所以 STraj 的意义在于，它把轨迹预测问题从“单域精度提升”，推进到了“跨地理泛化能力提升”。

这比单纯在一个 benchmark 上刷更低误差更接近真实落地需求。

🚀 科研启示：轨迹预测下一步要卷“跨域能力”

STraj 给自动驾驶轨迹预测带来几个很清晰的启示。

第一，未来轨迹预测不能只报告单城市、单数据集上的结果。跨城市、跨区域、跨交通分布的泛化能力会越来越重要。

第二，伪标签方法不能照搬图像任务。轨迹预测的伪标签是一整段时间序列，必须考虑轨迹一致性、方向、运动过程，而不是只看一个类别或终点。

第三，轨迹表示学习应该围绕运动模式，而不只是类别或场景。直行、左转、右转这些未来意图，比“都是车”这种类别标签更关键。

第四，真正实用的跨域方法，最好不要增加推理负担。STraj 的一个优势是作为 plug-and-play module，在推理阶段不引入额外计算复杂度，这对自动驾驶车端部署很重要。

📌 一句话总结

这篇 AAAI 2025 论文的核心意义可以概括为：

它让自动驾驶轨迹预测从“单城市表现好”，走向“跨城市也能泛化”。

传统轨迹预测模型的问题是：

在一个城市训练得很好，换一个地理场景就容易掉性能。

STraj 的解法是：

用互补式 agent-map 增强生成更可靠伪轨迹，用一致性策略更新伪轨迹，再用轨迹诱导对比学习缓解跨城市表示偏差。

它不是简单换一个更大的预测模型，而是提出了一套跨地理自训练框架。

未来自动驾驶真正需要的，不只是更强的预测器。

而是：

换一个城市，也能预测得稳。