本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法，以提高对未知环境下行人和车辆运动轨迹的准确性和多样性，同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验表明，所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。

Jan, 2020

本研究采用场景信息 (Scene-LSTM) 和人类运动轨迹 (Pedestrian movement LSTM) 结合的方式在静态人群中预测人类运动轨迹，其中引入了两层网格结构，探索出现在该网格单元中的常见人类轨迹，在训练预测模型中考虑了共性。相比线性模型和基于已有 LSTM 的方法，本研究所提出方法的目标位置误差有显著降低，与社交交互方法比较则降低了约 80% 的误差。

Aug, 2018

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019

本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

Jul, 2020

本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

Jul, 2020

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

本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

Mar, 2023

在交通场景中预测人类轨迹对于混合或完全自主系统的安全至关重要。人类未来轨迹由社交互动和随机目标驱动，因此可靠的预测需要捕捉这两个刺激。我们提出了一种基于区域关系学习的模型，通过模拟关联总体态势下人类的区域动态，即人流密度变化，来模拟社交互动。此外，我们还利用条件变分自编码器实现多目标估计和多样化未来预测。通过对潜在分布进行变分推断，该模型在测试数据中可以可靠地捕捉到随机行为。将多目标估计和区域关系学习集成到预测框架中，有效地模拟了社交互动和随机目标这两个刺激。我们在 ETH-UCY 数据集和 Stanford Drone 数据集上评估了我们的框架，结果显示在 ADE/FDE 指标上，相较于现有模型，在 SDD 数据集上我们的模型分别超过了 27.61%/18.20%。

Apr, 2024

本文提出了一种新颖的深度学习架构，用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动，并将此表示用于控制自动驾驶车辆。

Mar, 2020

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023