9.2 感知轨迹预测模型（BAT）介绍
感知轨迹预测模型（BAT）最早是Baidu Apollo Team（百度阿波罗团队）提出的轨迹预测模型（Behavior-Aware Trajectory Prediction），用于预测交通参与者（如行人、车辆、自行车等）的未来行动轨迹。
9.2.1 BAT模型的优势
BAT模型融合了交通心理学习、人类行为该模型由行为采集、贸易采集、优先采集级和位置采集模块组成，这些模块采集和了解潜在的贸易，并考虑预测的不确定性和可变性，从而实现更高的采集深度的学习和灵活性，而对扩展的是操作行为进行严格的分类。重要的是，这种方法消除了我们手动标记的训练过程的需要，并解决了非行为连续标记并选择适当的时间窗口是评估下一代模拟中的BAT （NGSIM）、高速公路无人机（HighD）、环岛无人机（RoundD）和互联澳门自动驾驶（MoCAD）数据集上的性能，展示了其在主流相对关系中最先进技术（SOTA）的准确性预测和效率方面的核心。重点是训练，即使在数据训练的减少部分（25％）上进行，我们的模型也支撑了大部分核心，证明了其在预测车辆仪表方面的缺陷和效率，以及减少训练自动驾驶程度车辆所需的数据量的潜力，特别是在极端情况下。总之，行为模型代表了自动驾驶汽车开发的重大进步，能够与人类拥有相同的预测图表的接线。
BAT模型消除了训练过程中手动标记的需要，并解决了非连续行为标记和选择适当时间窗口的挑战。在下一代模拟 (NGSIM)、高速公路无人机 (HighD)、环岛无人机 (RoundD) 和澳门互联自动驾驶 (MoCAD) 数据集上的性能评估中，BAT展示了其相对于主流最先进技术 (SOTA) 的优越性预测精度和效率方面的基准。
9.2.2 BAT模型的组成
感知轨迹预测模型（BAT）主要由四个模块组成：行为感知、交互感知、优先级感知和位置感知，如图9-8所示。这些模块共同作用，对潜在的交互进行感知和理解，同时考虑到预测的不确定性和可变性，从而实现更高层次的学习和灵活性。
图9-8 BAT模型的组成
具体来说，行为感知模块的主要功能是学习状态的演化，交互感知模块则主要负责处理不同对象之间的交互。优先级感知模块决定了哪些物体或事件更重要，需要优先处理。最后的位置感知模块则负责预测物体在未来的位置。这四个模块相互协作，使得BAT模型能够有效地预测未来的状态，为自动驾驶等应用提供决策支持。
BAT模型消除了手动标记的需要，通过解决非连续行为标记和选择适当时间窗口的挑战，实现了更高的学习深度和灵活性。在评估中，BAT模型在下一代模拟 (NGSIM)、高速公路无人机 (HighD)、环岛无人机 (RoundD) 和澳门互联自动驾驶 (MoCAD) 数据集上表现出了相对于主流最先进技术（SOTA）的优越性。