会上可能听到：“每辆车的多模态轨迹都给了，概率也校准过。——能直接乘起来当场景概率用吗？”
它到底是什么意思
边际预测一辆一辆地做。模型从没被要求让各车的预测相容，拼起来的组合里，会有两辆车同时占同一块路面，现实里不可能同时发生。下游只能自己解矛盾，或者哪条都躲。
联合预测给出几个自洽的场景分支，每个分支里各车轨迹配套；Scene Transformer 这类模型直接解码联合场景。汇入就是典型：切入车切不切，和主路后车让不让，并不独立。
再往前一步是条件预测：把自车的候选动作当输入，回答「如果我这么开，他会怎样」。DTPP 还把自车候选组织成一棵树，以树为条件预测他车反应，预测和代价评估都从数据里学。
机制图解
边际预测每辆车各自一组轨迹和概率；拼起来可能互相穿越
联合预测概率标在整个场景上；同一场景里各车轨迹配套
条件预测自车的候选动作也是输入；回答「如果我这么开，他会怎样」
容易搞混的地方
常见误解
每辆车的概率都准，乘起来就是场景概率
正确理解
只有各车互相独立时才能相乘；交互场景恰恰不独立，拼出来会有物理上不可能的组合
常见误解
联合预测就是一次预测更多辆车
正确理解
区别不在车数，在概率标在哪：标在每辆车上，还是标在整个场景上
看懂之后可以追问
- 下游拿到的是每辆车各自的分支，还是整场景的分支？拿到边际预测，规划要么自己解矛盾，要么对每条都躲；后者会让车在交互场景里过度保守。
- 预测有没有以自车的候选动作为条件？不以自车为条件，就默认他车不会对你做反应。「探出去表明意图」这类动作的收益，恰恰来自对方的反应。
沿着主线继续
先知道
- 多模态轨迹——未来不是一个确定的点，而是一个分布：可以跟车、变道、让行、绕行，模型输出多条候选来表达这种不确定性。
- 意图预测——先把「对方想去哪」离散成几个候选：哪条车道、哪个出口，再给每个候选打分；轨迹等意图定了再补。
接着看
- MPDM 与 EPSILON——预定义一小撮语义策略，对每个候选做闭环前向仿真、打分选优——把不可解的 POMDP 砍成「在有限集合里挑一个」。
- CVaR：尾部风险——期望值会拿大概率的顺畅稀释小概率的灾难；CVaR 放大最坏那部分尾巴的安全代价，α 决定尾巴取多宽，是风险容忍度的旋钮。