自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

Oct, 2023

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018

使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类，验证了方法的性能和广泛适用性。

Jul, 2018

自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

Aug, 2023

本研究提出了一种深度学习方法，使用多个传感器流的信息，通过递归神经网络和长短期记忆单元的联合学习，从而能够在真实自然环境下预测驾驶员的行驶意图，并在准确度和召回率上达到了很高水平。

Sep, 2015

本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

Dec, 2019

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

Dec, 2023

这篇论文提出了一种基于深度卷积模型的统一表征方法，该方法在使用 3D 感知信号和语义地图的基础上，通过深度卷积模型，学习了实体和场景之间的交互，并能够有效地预测自动驾驶系统中实体的行为表现。

Jun, 2019

提出了一种基于 HATN 的分层框架，通过模仿人类在驾驶中的认知模型和语义理解生成高质量、可转移和适应性 strong > 预测，在真实交通数据中展示了其在准确性、可转移性和适应性方面明显优于其他方法的优势，并强调将来应重点关注可转移性和适应性。

Feb, 2022