MoCAR: Motion-code Coordinate-aware AutoRegression for Continuous Trajectory Forecasting
作者: Yiming Xu, Hao Cheng, Monika Sester
分类: cs.CV
发布日期: 2026-10-05
备注: Accepted at NeurIPS 2026. Camera-ready version
💡 一句话要点
提出MoCAR以解决连续轨迹预测中的多模态挑战
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 轨迹预测 自回归生成 运动编码 多模态学习 智能交通
📋 核心要点
- 现有的轨迹预测方法在处理连续、多模态运动时面临挑战，缺乏有效的编码机制。
- MoCAR通过将轨迹预测视为坐标感知的连续潜在空间中的下一个编码预测，提出了一种新的自回归生成框架。
- 在Argoverse基准测试中，MoCAR实现了顶尖性能，特别是在转弯密集的场景中表现显著提升。
📝 摘要（中文）
自回归生成在语言处理中的应用十分自然，但在轨迹预测中，由于运动是连续的、多模态的，并且以局部坐标系表达，导致缺乏清晰的标记。本文提出MoCAR（运动编码坐标感知自回归），将轨迹预测视为坐标感知的连续潜在空间中的下一个编码预测。MoCAR从端点归一化的轨迹片段中学习连续运动编码空间，每个编码共同捕捉局部轨迹几何形状和由该片段引起的参考框架转变。历史运动编码作为教师强制前缀，未来编码在时间、地图、代理和模式交互下自回归生成，预测的编码在潜在记忆中保持，而解码的端点更新局部场景上下文。这种方法避免了轨迹空间的重新标记、轨迹查询、目标候选或提议与细化管道。在Argoverse基准测试中，MoCAR以简单的单阶段架构实现了顶尖性能，并在零样本评估中从AV2强力转移到AV1，特别在转弯密集场景中表现优异。消融实验确认学习的连续运动编码空间、潜在对齐、弱KL正则化和联合标记器-预测器优化对稳定的潜在自回归至关重要。
🔬 方法详解
问题定义：本文旨在解决连续轨迹预测中的多模态和局部坐标系表达问题。现有方法缺乏有效的编码机制，导致预测不准确。
核心思路：MoCAR通过学习连续运动编码空间，将轨迹预测转化为下一个编码的自回归生成，从而有效捕捉局部几何形状和参考框架的转变。
技术框架：MoCAR是一个解码器主导的框架，主要包括学习运动编码、历史编码作为前缀、未来编码的自回归生成以及局部场景上下文的更新。
关键创新：最重要的创新在于引入了连续运动编码空间的概念，使得轨迹预测不再依赖于传统的标记和重标记过程，提升了生成的灵活性和准确性。
关键设计：在模型设计中，采用了弱KL正则化和联合标记器-预测器优化策略，以确保潜在自回归的稳定性和有效性。
🖼️ 关键图片
📊 实验亮点
在Argoverse基准测试中，MoCAR以简单的单阶段架构实现了顶尖性能，尤其在转弯密集场景中表现优异。与基线相比，MoCAR在零样本评估中从AV2到AV1的转移表现强劲，显示出其优越的泛化能力。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人导航和智能交通系统等。通过提高轨迹预测的准确性和灵活性，MoCAR能够在复杂环境中实现更安全和高效的路径规划，未来可能对智能交通和自动驾驶技术的发展产生深远影响。
📄 摘要（原文）
Autoregressive generation is natural for language, where predicted tokens can be directly reused as the next prediction state, but trajectory forecasting lacks such a clean token: motion is continuous, multimodal, and expressed in local coordinate frames that evolve with the predicted trajectory. We present MoCAR (Motion-code Coordinate-aware AutoRegression), a decoder-only framework that casts trajectory forecasting as next-code prediction in a coordinate-aware continuous latent space. MoCAR learns a continuous motion-code space from endpoint-normalized trajectory segments, where each code jointly captures local trajectory geometry and the reference-frame transition induced by that segment. Historical motion codes are used as a teacher-forced prefix, future codes are generated autoregressively under temporal, map, agent, and mode interactions, and predicted codes persist in latent memory while decoded endpoints update the local scene context. This enables rollout without trajectory-space re-tokenization, trajectory queries, goal candidates, or proposal-and-refinement pipelines. On Argoverse (AV) benchmarks, MoCAR achieves top-tier performance with a simple single-stage architecture, transfers strongly from AV2 to AV1 in zero-shot evaluation, and improves on turn-heavy scenarios. Ablations confirm that the learned continuous motion-code space, latent alignment, weak KL regularization, and joint tokenizer-predictor optimization are essential for stable latent autoregression.