自动驾驶是目前最前沿的研究领域之一,也是未来人工智能应用的重要场景。自动驾驶系统主要包含感知、决策和控制三个环节,其中决策环节在整个系统中起着承上启下的作用。同时,在实际行驶中,很多时候同一场景下不同司机的认知和反应（操作）并非一致,即同一场景可能存在多个合理结果,这就导致了自动驾驶中的所谓多模态问题,即Multi-Modal- Problem。多模态问题给决策带来难度,也影响决策效率,因此在决策系统中加入预测模块便应运而生。预测模块通过上游感知系统监测到的数据,对障碍物的运动状态作出合理的解读和分析并预测其未来运行轨迹,为后续规划模块提供重要依据。这就是预测模块对自动驾驶的贡献,也是本论文所研究的方向。本文研究的具体对象是自动驾驶车周边障碍物（车辆）的轨迹预测,主要运用了基于高精地图栅格化和向量化的两种预测模型。在基于栅格化地图的预测部分,本文运用卷积神经网络模型CNN提取图像特征,充分榨取与轨迹预测相关的重要信息,以帮助自动驾驶车充分理解周围障碍物的企图和运动模式,更为合理地预测障碍物轨迹。在基于向量化的预测部分中,本文运用图神经网络模型GNN,构建车道子网络和障碍物子网络后将其融合到全局网络中以实现所有信息的高阶传递,对应实际行驶场景中车道、障碍物之间的交互作用对真实轨迹的影响。而这种人、车、道路的交互影响,是自动驾驶领域最核心的问题之一。本文面对的正是这个核心问题中的一个分支。本文最后将预测结果和实际结果作对比,分析预测结果并最终得出基于栅格化和向量化的两种预测方法的各自优缺点。本文的创新点在于:第一,针对基于向量化的预测模型需要大量快速查找待向量化地图元素的问题,本文提出了地图元素的网格化处理方法,避免了对地图元素的暴力搜索,大大减少了搜索时间和计算量,提升了模型的运行速度,把高精地图作为自动驾驶的先验知识这一强大功能落到了实处,这也是轨迹预测时需要考虑的一个重要维度;第二,针对多模态问题,本文在向量化预测模型中引入了多模态损失函数,将其拓展为多模态预测模型,更加贴近实际驾驶环境。本文使用了Lyft自动驾驶开源数据集进行定性和定量分析实验。本文将障碍物轨迹预测问题定义为利用过去3秒的观测信息预测障碍物未来5秒的轨迹。在该设定下,栅格化预测模型在min ADE 和min FDE这两个预测精度指标上均优于向量化预测模型,前者在这两个指标上的得分分别为0.4456和0.7459;而在模型运行效率上,结合网格化方法后的向量化预测模型的运行速度达到了栅格化预测模型的10倍。