本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。
Nov, 2020
使用递归神经网络模拟车辆环境为动态格网图，从激光雷达测量的占用概率图中估计转向和刹车车辆的速度，提供更加一致和准确的速度估计。
Sep, 2019
本文提出了一种基于递归神经网络的高效车辆轨迹预测框架，从大量的轨迹数据中学习车辆的复杂行为模式，并使用长短时记忆递归神经网络分析车辆时间行为，预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息，实验结果表明该方法可以合理地估计未来轨迹。
Apr, 2017
使用 Lidar 网格融合和循环神经网络，我们针对自动驾驶中的复杂市区场景进行长期预测，并通过 RNN 训练将场景数据转化为序列，以预测未来的占用率，其中包括卷积长短时记忆（ConvLSTMs）来区分静态和动态区域，预测未来帧中的动态对象，并提供了一种新的经过递归跳跃连接的方法，可以预测遮挡静态区域或者遮挡的小物品，例如行人。
Sep, 2018
通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。
Aug, 2023
本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。
May, 2017
我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。
May, 2022
利用卷积神经网络和网格地图环境表示法，基于传感器数据检测并分类物体，实现了对自动驾驶车辆周围环境感知的精确处理。
May, 2018
通过使用固定框架中的全中心占据网格来代表交通状况，以提高对自主车辆动态环境的预测精度，相比于传统的自车中心占据网格方法，全中心占据网格方法能有效地改善场景的预测。
Jan, 2023
通过引入一种名为 OFMPNet 的深度编码器 - 解码器模型，利用占据图和场景的运动流来预测环境中所有动态对象的未来行为，并提出了一种新颖的时间加权运动流损失，进一步降低终点误差。该方法在 Waymo Occupancy and Flow Prediction 基准测试中取得了最先进的结果，Flow-Grounded Occupancy 的软 IoU 为 52.1％，AUC 为 76.75％。
Apr, 2024