Transformer为什么能用于时序预测？轨迹预测的核心挑战？课程架构与学习路径。
时间序列定义、平稳性与非平稳性、自相关与偏自相关、时序数据可视化。
轨迹表示(坐标/速度/加速度)、坐标系转换、去噪插值重采样。
ARIMA、SARIMA、模型定阶与诊断、简单轨迹预测应用。
RNN原理、梯度消失/爆炸、LSTM与GRU门控、PyTorch单步预测。
Seq2Seq回顾、注意力数学本质、Bahdanau/Luong、注意力可视化。
Attention Is All You Need、Encoder-Decoder、多头注意力、位置编码。
正弦位置编码推导、可学习/相对位置编码、旋转位置编码RoPE。
LayerNorm、残差连接、FFN、Encoder堆叠与维度变化。
Masked Self-Attention、Cross-Attention、自回归生成、推理过程。
Informer、ProbSparse自注意力、蒸馏、生成式解码器。
Autoformer分解、FEDformer频率增强、PatchTST补丁嵌入。
ETH/UCY、nuScenes、ApolloScape、预处理与加载。
历史轨迹编码、社会交互、地图语义、速度加速度、意图特征。
Social Pooling、注意力交互网络、GNN交互、相对位置编码。
栅格/向量化地图、LaneGCN、地图注意力机制。
多模态必要性、多样性与覆盖度、输出头设计、NLL与分类损失。
ADE/FDE、负对数似然、Variety Loss、Best-of-K、Wasserstein损失。
ADE、FDE、MR、minADE/minFDE、DA、碰撞率、代码实现。
MMTransformer架构、轨迹编码器、交互编码器、多模态解码器。
学习率调度(Warmup/Cosine)、梯度裁剪、权重初始化、正则化。
噪声注入/时间扭曲/空间变换、域适应、预训练与微调。
模型量化、ONNX导出、TensorRT加速、边缘端实时性。
大模型轨迹预测、扩散模型、世界模型、端到端自动驾驶。
完整项目流程、数据到部署全链路、常见问题与未来路径。