结果评估任务

预测模块(Prediction)的定位在上游车辆感知模块(Perception)和下游路径规划模块(Planning)之间。自动驾驶车辆，需要借助上游感知模块预测到的周围障碍物的信息👁️‍🗨️，预测👁️‍🗨️障碍物之后的轨迹(trajectory)输出，从而对下游路径规划决策提供信息。

预测模块的结果评估需要对预测轨迹(prediction trajectory)和实际轨迹(groud truth trajectory)进行比较，寻找有意义的评价指标，较为直观地反应轨迹预测的准确性，服务于不同轨迹预测方法的优劣比较。

假设进行接下来的3s的轨迹预测，0.1s一个点，一共30个点($T=30$)。

• 预测轨迹：$(\widehat{x}_t,\widehat{y}_t), t\in [1,T]$
• 实际轨迹：$(x_t,y_t), t\in [1,T]$
• 👁️‍🗨️

结果评估方法 - 几何型评价指标

评价指标有很多，主要可以分为以ADE和FDE为代表的几何型评价指标的和以NLL为代表的概率型评价指标两类。由于在概率型评价指标针对的是概率分布类型的预测结果输出，而我们的输出是离散的位置点，故不对概率型评价指标进行考量。

几何型评价指标主要有ADE, FDE, DTW, 等。

既有指标 - ADE和FDE

1. Average Displacement Error (ADE) 平均位移误差

   每个预测位置和每个真值位置之间的平均欧式距离差值。

   $$ \text{ADE}(\widehat{y}, y) = \frac{1}{T} \sum_{t=1}^T \sqrt{(\widehat{x}_t - x_t)^2+(\widehat{y}_t - y_t)^2} $$

2. Final Displacement Error (FDE) 终点位移误差

   终点预测位置和终点真值位置之间的平均欧式距离差值。

   $$ \text{FDE}(\widehat{y}, y) = \sqrt{(\widehat{x}_T - x_T)^2+(\widehat{y}_T - y_T)^2} $$

优点：

• 很容易计算，也相对容易解释。FDE/ADE 比较为固定，大约会是 2-3
• ADE在很多地方被使用，例如NeurIPS 2020 INTERPRET轨迹预测挑战赛，可以跟其它团队进行比较。

其实ADE和FDE也只是加权方式不同。两者都是：

$$ \text{metrics}(\widehat{y}, y) = \sum_{i=1}^T W_t\sqrt{(\widehat{x}_i - x_i)^2+(\widehat{y}_i - y_i)^2} $$

• ADE的加权方式是：

  $$ W_t=\frac1T, t\in [1,T] $$