本文提出了一种名为 Dynamic Context Encoder Network (DCENet) 的新型框架，用于探索交通场景中代理之间的空间和时间上下文信息，从而提高未来位置的预测准确性，实现更安全的自主驾驶系统。DCENet 在多个基准测试中都表现出了良好的性能，并通过一系列实验验证了提出的模块的有效性。

Oct, 2020

自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

Apr, 2019

提出了一种名为 AMENet 的端到端生成模型，使用注意力机制动态地建模了邻居交互信息，实现了准确和逼真的轨迹多路径预测，并在 Trajnet 和 InD 两个公共轨迹预测数据集上进行了验证。

Jun, 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

自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

May, 2024

本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。

Jan, 2023

该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

Jun, 2024

我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

Jul, 2023

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

本文提出了 Motion TRansformer (MTR) 框架进行自动驾驶中的动态预测，该框架使用可学习的意图查询来提高效率和准确性，适应多种行动方式的需求，同时扩展到多个代理的多模态预测，实现了对高度竞争的运动预测基准的最新表现和有效性的提升。

Jun, 2023