# 轨迹预测

船舶轨迹预测不再依赖循环网络或多次采样。此前基于AIS的模型要么只看本船历史、要么只靠他船聚类，概率区间还要多次前向近似。这里把本船历史位置与局部KDE热图一起送入Transformer，并用分位数损失训练，在丹麦水域三个测试区上平均位移误差约0.18公里，单次前向即输出预测区间。

船舶轨迹预测不再依赖循环网络或多次采样。此前基于AIS的模型要么只看本船历史、要么只靠他船聚类，概率区间还要多次前向近似。这里把本船历史位置与局部KDE热图一起送入Transformer，并用分位数损失训练，在丹麦水域三个测试区上平均位移误差约0.18公里，单次前向即输出预测区间。

自动驾驶的视觉-语言-动作模型过去靠一个标量轨迹分数学习，分数低却说不清是场景理解、行为选择还是轨迹执行出错。Reflect-VLA把带评估诊断与纠正建议的反思指导当作只在训练时可见的特权信息，用双路径在线策略自蒸馏把纠正偏好写进直接生成轨迹的策略：风险轨迹对齐教师的词元级纠正分布，可靠轨迹做自模仿保留。在NAVSIM v1/v2与Bench2Drive上取得有竞争力的规划表现，训练时间比强化学习减少九成以上，推理时单次生成、不需要指导或迭代修正。

自动驾驶的视觉-语言-动作模型过去靠一个标量轨迹分数学习，分数低却说不清是场景理解、行为选择还是轨迹执行出错。Reflect-VLA把带评估诊断与纠正建议的反思指导当作只在训练时可见的特权信息，用双路径在线策略自蒸馏把纠正偏好写进直接生成轨迹的策略：风险轨迹对齐教师的词元级纠正分布，可靠轨迹做自模仿保留。在NAVSIM v1/v2与Bench2Drive上取得有竞争力的规划表现，训练时间比强化学习减少九成以上，推理时单次生成、不需要指导或迭代修正。

作者提出 Ctrl-CWM，一个多智能体可控人群世界模型：先在真实行人视频上通过轨迹预测学习并冻结编码器以保留人体运动动力学，再用 actor 提出位移、critic 对想象人群轨迹排序、规划器结合 critic 分数与用户代价选择动作，从而在无需重训练的情况下实现人群生成与运行时控制；在 ETH–UCY、SDD、GCS 上，它在多数人群真实感与碰撞指标上优于 CrowdES，并在避让与吸引场景中取得最高平均合规度。

作者提出 Ctrl-CWM，一个多智能体可控人群世界模型：先在真实行人视频上通过轨迹预测学习并冻结编码器以保留人体运动动力学，再用 actor 提出位移、critic 对想象人群轨迹排序、规划器结合 critic 分数与用户代价选择动作，从而在无需重训练的情况下实现人群生成与运行时控制；在 ETH–UCY、SDD、GCS 上，它在多数人群真实感与碰撞指标上优于 CrowdES，并在避让与吸引场景中取得最高平均合规度。