研究人员开发了一种基于图结构的 Trajectron 模型，利用递归序列建模和变分深度生成建模来预测多个代理的未来轨迹，通过多个数据集的结果表明其性能达到了最佳，并引入了一个新的指标用于比较输出分布的模型。

Oct, 2018

该论文研究了一种基于 Trajectron ++ 的 Trajectory Forecasting 模型，并通过在其 Attendant 模块中加入平滑项来增强该模型的性能，该注意机制模仿人类关注的限制，将认知过程和机器学习模型整合起来，从而提高自主车辆的规划系统的可靠性和安全性。此外，该研究还对平滑 Trajectron++ 模型在不同基准测试中的表现进行了评估并与原始模型进行了比较，揭示了将人类认知洞察力引入轨迹预测模型的潜力。

May, 2023

该研究调查了人类运动轨迹预测的现有方法，提出了一个基于运动建模方法和上下文信息水平的分类法，讨论了目前技术的局限性并提出了未来研究的方向。

May, 2019

该研究论文主要讨论了通过预测机器人手臂运动轨迹，来简化操作者的认知负荷，并在协作控制任务中提供辅助，以准确捕捉操作者的意图。研究采用一种新颖的意图估计方法称为 “机器人 Trajectron”，通过考虑手臂的动力学特征，能够更好地捕捉操作者的意图，并结合潜在目标位置的信息进行协作控制。实验证明了机器人 Trajectron 在意图估计和协作控制任务中的有效性。

Feb, 2024

论文提出了 Motron 模型，一种用于人机交互中的多模态运动预测的概率图结构模型，并在现实场景中的多个数据集中验证了其在运动预测方面的优越性。

Mar, 2022

基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

Mar, 2024

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

通过引入一个新的数据集和评估标准，这篇论文介绍了一种用于自主导航系统中轨迹预测的模型，旨在解决实际应用场景中隔离模型所面临的挑战，并促进对导航动态的深入理解。

Nov, 2023

本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。

Mar, 2022

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