论文导读
剑桥大学、上海交通大学、特温特大学、华威大学联合提出MESSENGER，为连续点云运动预测加入记忆和不确定性估计。nuScenes第四个未来帧的平均误差从0.088米降至0.025米，下降71.6%。模型保留多个历史时刻的信息，再按可靠程度用于下一步预测。
车在往哪走，不能只看这一帧
点云用三维点描述车辆和道路环境，连续点云之间的位移叫场景流。只比较相邻两帧，容易遇到遮挡、稀疏点和重复结构，某一帧的错误还可能继续影响未来预测。
MESSENGER保留多个历史时刻的运动信息，让当前点除了参考最近一帧，也能借助更早的轨迹线索。它同时预测不确定性，对不可靠的历史信息降低权重，避免一律把旧预测当成事实。
道路图与热图显示，车周围和遮挡区域的预测可靠程度不同。颜色用于表示不确定性，而非车辆危险程度。论文测试的是三维点运动估计与预测，结果不能直接换成自动驾驶安全性的提升。
图：道路实景与点云不确定性图并排，颜色显示不同区域的运动预测可靠程度。
记忆带着可靠程度一起传
模型先在当前与前一帧间建立点的对应，再从历史记忆提取运动特征。当前点与过去记录的位置不完全相同，因此需要对齐和检索，而不是把上一帧特征原样复制。
更新记忆时，系统把当前运动估计和不确定性一起保存。后续预测既读历史轨迹，也读这些估计是否可信，逐步产生未来点的位移。它把递推计算和历史检索连在一条连续流程里。
图：当前帧匹配、历史记忆检索与不确定性更新共同产生未来点云的运动预测。
这种记忆方式使输入帧数增加时不必把全部历史帧同时送入一次大规模计算。论文对比了不同历史长度的显存占用，用固定的运行方式检验长序列是否还能处理。具体占用仍取决于论文的硬件和模型设置。
第四个未来帧，误差降到2.5厘米
nuScenes测试观察六帧，再预测四个未来帧。到第四帧时，MESSENGER的平均端点误差为0.025米，GenFlow为0.088米，下降71.6%。端点误差衡量预测三维位移与真实位移的平均距离，不是有71.6%的车辆预测正确。
Argoverse2同一预测位置上，误差从0.192米降到0.062米，下降约67.7%。两个数据集的场景与采集方式不同，因此分别报告，不能混成单一精度。
同一测试设置下，论文列出的推理延迟为55.9毫秒，GenFlow为88.7毫秒。四到十帧输入的显存比较中，新方法保持约14GB，部分对照在九到十帧出现显存不足。效率结论应保持在这组配置内。
把长一点的运动线索带到未来
定性点云对照同时画出估计帧和预测帧，并与真实位移比较。它帮助观察车辆附近的运动是否保持连续；整体误差仍来自完整数据集统计，单张点云图不替代定量结果。
后续可以在更长预测距离、更多遮挡和不同传感器条件下检查记忆的作用。论文已有不确定性模块与记忆设计的消融对照，适合继续区分“保留历史”和“挑选可靠历史”分别带来的收益。
图：真实位移、GenFlow和MESSENGER按估计与预测位置对照，展示点云运动结果差异。
