通过自动驾驶汽车实现精确的行人意图预测是当前研究中的挑战之一。本文介绍了 PIP-Net 框架，用于预测自动驾驶汽车在现实城市场景中行人过马路意图。该模型利用运动数据和驾驶场景的空间特征，采用一种基于循环和时间注意力的解决方案，优于当前最先进的模型。为了提高道路使用者的视觉表达以及它们与本车的距离，我们引入了一个分类深度特征图和一个局部运动流特征，提供对场景动态的丰富洞察力。此外，我们还探索了将视野从一个相机扩展到围绕本车的三个相机的影响，从而增强了模型的上下文感知能力。根据交通场景和道路环境的不同，该模型能够提前 4 秒准确预测行人过马路意图，这是当前行人意图预测研究的突破。最后，我们首次提出了 Urban-PIP 数据集，这是一个自动驾驶情景下的定制行人意图预测数据集，包含多相机注释。

Feb, 2024

本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法，可用于导航、行人和其他路上的车辆预测，使用车载传感器信息生成多个实现路径，实现良好的性能和计算效率。

Mar, 2020

本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

May, 2023

通过提出基于路径的预测（PBP）方法，可以改进基于目标的预测模型，在标准轨迹预测指标方面取得竞争性表现，并在地图合规性方面明显优于现有方法。

Sep, 2023

我们提出了一种可微分的预测 - 规划框架，使用一个可微分的非线性优化器作为运动规划器，通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹，我们的模型使用真实世界的驾驶数据集进行训练，并在开环测试和闭环测试中得到验证，拥有比基线模型更好的性能，证明联合训练规划和预测模块比独立训练预测模块更优。

Jul, 2022

本研究通过评估现有运动预测模型在冲突相关度量中的成功率发现现有模型预测成功率低且会在交互模拟器测试中导致大量碰撞，并提出了一种新的、简单有效的基于物理与学习的预测模型来实现冲突及关系的推断，并在 Waymo 交互驾驶数据集中的实际交互驾驶场景中表现出优异的性能。

Nov, 2022

本文介绍了一种基于模型规划的预测框架 PRIME，能够为自动驾驶提供准确和可行的多模态未来轨迹预测，并在大规模实验中取得了比现有技术更好的预测精度，可行性和鲁棒性。

Mar, 2021

自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而，这种方法虽然考虑到了周围交通对自车的影响，却未能预测交通参与者对自车行为的反应。最近的研究表明，将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面，综合了集成的不同方面，并将它们相互关联。此外，我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势，我们确定了未来研究的有希望的方向。

Aug, 2023

自主驾驶系统需要全面理解和预测周围环境，以在复杂场景中做出明智决策。为了解决预测和规划中的三个主要挑战，并提升准确性和一致性，本文引入了一种混合预测集成规划系统 (HPP)。通过创新设计的模块，HPP 在预测和规划方面取得了最先进的性能，展示了在预测和规划的端到端范式中卓越的准确性和一致性。

Feb, 2024

本文提出了一种基于深度学习技术的交互式神经运动规划器 (INMP)，通过过去的周边图像和高清地图，实时检测其他车辆并进行交互式的预测和规划，采用光流蒸馏模型来提高网络性能，实现自动驾驶任务的有效性和高效性。

Apr, 2021