感知周围环境并预测移动对象的未来状态是自动驾驶车辆理解交通场景的核心任务，其发展水平直接影响着自动驾驶的性能和安全性。
在自动驾驶应用领域中，感知模块主要依托激光雷达作为核心传感器，准确识别周边物体；预测模块侧重于对移动对象的未来状态进行预测。而感知和预测一体化将两个独立模块融合为高效的一体化模型，直接利用传感数据来预测场景中的动态变化，提高整个系统的效率。
鉴于此，本文围绕自动驾驶系统中的感知预测一体化技术，遵循由浅入深、逐层推进的研究策略，探讨点云分类（感知）、轨迹预测（预测）、场景运动预测（感知预测一体化）三个方面的技术挑战。
本文主要工作如下：

（1）提出一种基于内容自注意力的点云目标分类方法，解决全局注意力计算速度慢而坐标空间局部注意力无法建模长距离点间关系的问题。该方法通过高维特征空间局部注意力有效地捕获长距离依赖性，并通过最大池化与平均池化并行策略分别提取点云的高频与低频特征，实现了快速且准确的点云分类。

（2）提出一种考虑多重交互关系的车辆轨迹预测方法，解决交互关系编码中图结构手工设计痕迹重的问题。该方法通过局部与全局层次化交互建模，采用点云分析算法代替传统的图神经网络进行特征提取，有效处理复杂动态交通场景中的智能体交互关系，增强了轨迹预测的鲁棒性与准确性。

（3）提出一种大规模点云的自监督场景运动预测方法，解决场景运动标签稀缺且昂贵难以扩展到未标注的大规模自动驾驶数据集的问题。该方法考虑到移动对象在连续时序帧之间的运动连贯性，引入衡量点云数据结构一致性的Chamfer损失进行自监督训练，并通过点云柱状编码方法，将时序点云数据转换为柱状特征，以更精细地捕捉场景中的空间结构和动态变化。

本文工作为自动驾驶感知预测一体化技术的发展提供了新的思路和方法。