本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

Jul, 2020

本文提出了一种基于多个线索（交通工具的估计运动，高速公路交通典型运动模式和车辆间互动）的统一框架，用于自动驾驶汽车路径规划中环绕车辆的机动分类和运动预测。通过在高速公路上使用车载传感器收集的真实交通数据，我们对机动分类准确性和对地面实况的预测轨迹的平均绝对误差和中位数绝对误差进行了评估和报告。此外，还进行了消融分析来分析相对于预测轨迹，每个线索的相对重要性，并提供了框架组件执行时间的分析。最后，我们通过多个案例研究分析了我们模型的输出，以应对复杂的交通场景。

Jan, 2018

使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。

May, 2018

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型，同时考虑了静态障碍物和周围行人，通过与现有方法的比较，证明了该模型在预测准确性和计算效率方面的优异性，并表明在有障碍物的环境中，考虑静态障碍物对运动预测的重要性。

Sep, 2017

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018

本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

Sep, 2021