引言
本文的研究动机来自两个障碍。首先，DeTra 没有公开实现，因而难以复现或扩展。其次，即便有完整记录的复现版本，动态（运动中的）参与体预测仍明显比检测更难：静态参与体在城市 LiDAR 场景中占据多数，会抬高总体指标，从而掩盖对安全最为关键的动态参与体预测短板。因此，我们的实际目标是在不增加推理开销、不破坏检测稳定性的前提下，提升动态参与体的预测能力。
我们研究了几种互补且低成本的归纳偏置，它们来自 DeTra 未用于监督的信号。每个参与体过去观测到的轨迹，以及周围交通的空间占用情况，都可以从用于训练未来损失的同一组标注中恢复；而参与体朝向与运动方向之间的一致性，则是模型自身输出之间的一种一致关系。我们将每种信号转化为仅在训练阶段使用的辅助目标，用于塑造共享的 BEV 表征；推理时移除这些目标，因此不会改变延迟。由于这些目标共享同一个骨干网络，我们还对它们之间的相互作用进行校准：在共享主干处测量每一项的梯度范数，并利用这一诊断选择稳定的辅助权重，同时解释哪些信号占据主导，或哪些信号受到梯度匮乏的影响。
本文的主要贡献如下：
我们提出 MC-DeTra——一种新的训练方法，将两种源自标注的辅助目标（Past Reconstruction 和 Occupancy Auxiliary）与一个轻量级的朝向一致性正则项结合起来，并将后者作为辅助目标集合的一部分进行研究，同时采用基于梯度范数的损失校准。该方法复用了 DeTra 监督信号中未包含、但已经缓存的信号，并诊断辅助目标在共享骨干网络上的竞争关系。
运动一致性 DeTra
MC-DeTra 建立在我们公开记录的 DeTra 复现版本之上，并加入三个仅在训练阶段使用的辅助目标。下面将概述基础架构、实现差异、训练目标与校准方法。
占用辅助
我们还实现了一种新的轨迹—占用一致性项，通过可微分的软栅格化，将每条解码轨迹与其隐含的占用情况联系起来。梯度范数分析显示，在所有稳定权重下，该项都存在梯度匮乏，因此所有报告的模型均禁用它，并将其视为一项负面结果。
朝向一致性
这一约束并不是通过让预测结果向偏航角退化来满足的：未来航点由占主导地位的 winner-takes-all Laplace 回归锁定，因此，HC 以小权重传入朝向一致性目标的预测表征的梯度可以忽略不计。实际上，该项几乎完全通过将盒体偏航角旋转至预测运动方向来满足。我们不约束由有限差分得到的未来朝向，因为相对于其自身航点而言，这些朝向是退化的。
讨论
可迁移的方法论启示是：在共享骨干的联合模型中，决定作用的并不只是概念上的重要性，还包括某个辅助目标对主干梯度所贡献的比例。报告中的消融模式与这一解释一致：Past Reconstruction 和 Occupancy Auxiliary 都能带来收益，而 Heading Consistency 的贡献较小，且取决于具体指标。这也将 Heading Consistency 表面上的“无效”重新解释为梯度匮乏，并提醒我们，在一个梯度匮乏的目标开始扭曲预测头之前，不应盲目提高其权重。
结论
我们发布了一个公开的 DeTra 复现版本，其中记录了各种近似处理；同时提出 MC-DeTra：包含三个仅在训练阶段使用、对推理安全的正则项——Past Reconstruction、Occupancy Auxiliary 和 Heading Consistency——以及用于校准共享骨干竞争关系的梯度范数方法。动态控制器的表现与人工调参相当，但并未超越后者。在从同一初始化出发的受控消融实验中，经过校准的完整模型取得了最佳动态 minFDE、minADE 和 brier-minFDE；最佳 MR 则来自控制器 A，同时保持了检测性能。梯度范数揭示了收益来源：占用信息起主导作用，历史重建带来适度提升，而朝向一致性只是一个取决于指标的小幅调整。我们将发布代码、配置文件和评测工具，供后续研究使用。
作者声明不存在需要披露的利益冲突。
常见问题
什么是 MC-DeTra？ MC-DeTra 是一种训练方法，将 Past Reconstruction、Occupancy Auxiliary 和 Heading Consistency 目标与基于梯度范数的校准结合起来。
为什么在推理时移除辅助目标？ 它们只在训练期间塑造共享的鸟瞰视角表征，属于仅用于训练的目标，因此不会改变推理延迟。
为什么在报告的模型中禁用 Occupancy Auxiliary？ 梯度范数分析显示，在所有稳定权重下，该目标都存在梯度匮乏。
梯度分析揭示了什么？ 占用信息贡献了主要收益，Past Reconstruction 带来适度提升，而 Heading Consistency 则提供了一个幅度较小、取决于指标的调整。