本文引入了一种深度随机IOC RNN编码器-解码器框架——DESIRE，用于多个相互作用的代理在动态场景下的未来预测，其中考虑了未来预测的多模态性、潜在未来结果以及代理之间的相互作用。在KITTI和斯坦福无人机数据集上，与其他基线方法相比，提出的模型显着提高了预测准确性。

Apr, 2017

Trajectron++是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。

Jan, 2020

本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。

Mar, 2020

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

利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在nuScenes预测基准测试中取得了最佳结果。

May, 2020

本论文提出了一种基于记忆增强神经网络的多模态轨迹预测方法，该方法可以在复杂场景中安全地规划自主车辆路径，并且通过非参数化的记忆模块，可以不断改进预测效果。

Jun, 2020

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

论文提出了一个新的Transformer模型AgentFormer，该模型可以联合模拟时间和社交两个维度，用于预测多智能体行为，同时考虑了多智能体的影响以及不确定性。该模型具有良好的性能，并在公共数据集上取得了state-of-the-art的结果。

Mar, 2021

提出了一种语义感知互动运动预测方法（SIMF），该方法能够捕捉场景中的语义信息，优选相关代理以进行运动预测，并显示出优于现有技术的表现。

Jun, 2023

本研究解决了自动驾驶车辆在环境交互和安全规划中对多模态运动预测的需求。提出的SceneMotion模型通过一种新颖的潜在上下文模块，将局部代理中心嵌入转化为场景范围的预测，实现了联合预测与交互建模。实验结果显示，该方法在优秀的表现下，为交通代理的互动量化提供了新的视角。

Aug, 2024