人类行为的不确定性是自动驾驶车辆在城市复杂环境中运行的主要障碍。为确保安全通行，自动驾驶系统必须精准预测周边司机、行人及骑行者的下一步行动。然而，现有AI方案往往存在过于简化、过度保守或仅能预测单一对象等局限。
针对这一挑战，麻省理工学院（MIT）研究人员提出了一种名为M2I的行为预测框架。该方法通过将多交通参与者预测问题拆解为独立子任务，实现了实时高效处理。实验表明，M2I在Waymo开放数据集上的轨迹预测精度超越了包括Waymo最新模型在内的多个主流算法，且内存占用更低，展现出显著的技术优势与应用潜力。
M2I框架：基于路权关系的分解式预测
M2I模型接收两个核心输入：交通参与者的历史轨迹以及包含车道配置等信息的高精地图。其核心逻辑在于模拟人类的交互推理过程，而非盲目穷举所有可能性。
关系推断与分层预测机制
该框架首先通过“关系预测器”判断任意两个交通参与者之间的路权归属，将其划分为“通行者”与“让行者”。随后采用分层策略进行轨迹生成：
- 边际预测器：优先预测拥有路权的“通行者”轨迹，因其行为相对独立；
- 条件预测器：依据通行者的预测结果，推导“让行者”的响应行为。
系统会计算多种联合轨迹的概率分布，并筛选出最可能发生的六种结果作为最终输出，预测时间跨度为未来8秒。例如，模型可准确预判车辆减速礼让行人过街，或在汇入主路前等待车流间隙等复杂交互场景。尽管当前研究聚焦于双边互动，但该架构可通过连接多个预测模块扩展至多方交互场景。
实测性能领先，可解释性增强信任
研究团队利用Waymo开放运动数据集中的数百万真实交通场景对模型进行了训练与验证。结果显示，M2I在轨迹预测准确率上优于基线模型，且在衡量碰撞风险的“重叠率”指标上表现最佳，意味着其预测路径与实际行驶轨迹的重合度最低，安全性更高。
类人推理提升透明度
研究人员指出，M2I的优势不仅在于精度，更在于其决策过程符合人类认知逻辑。由于将复杂问题分解为可理解的子步骤，模型的决策更具可解释性。这种透明度有助于消除用户对自动驾驶系统的疑虑，建立长期信任。不过，目前框架在处理双方均不确定路权的模糊交互（如四向停车点同时起步）时仍存在局限，这也是团队未来的攻关重点。
此外，该技术还可用于生成高质量合成驾驶数据，以验证规划算法并进一步提升模型性能。未参与研究的加州大学伯克利分校专家评价称，M2I通过区分边缘与条件代理有效简化了多智能体预测难题，捕捉到了交通参与者的内在交互关系，代表了该领域的前沿水平。