自动驾驶中，多目标检测、跟踪和轨迹预测是关键任务，本文介绍了一种名为 ODTP 的端到端框架，采用了先进的在线多目标跟踪模型 QD-3DT 进行感知，并根据检测结果直接训练轨迹预测器 DCENet++，实验表明 ODTP 在轨迹预测方面取得了高性能，DCENet++ 相较于其他噪声检测结果训练的生成式和确定性轨迹预测模型更为准确和鲁棒。

Aug, 2023

本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

Mar, 2020

提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020

PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络，在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。

Feb, 2020

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

Sep, 2021

本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

Apr, 2021

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

BPnP 是一种全新的网络模块，可以在神经网络的参数更新过程中通过将反向传播的梯度通过透视 n 点（PnP）求解器引导，从而将深度学习和几何视觉进行无缝结合。

Sep, 2019

本文提出一种深度神经网络模型，可以在利用 3D 传感器获取的数据的基础上联合推理 3D 检测、跟踪和运动预测，该方法在鸟瞰图表示的 3D 世界上执行时空 3D 卷积，具有高效的特点，并在多个北美城市捕获的超大规模数据集上进行实验，结果显示该方法在性能上大幅领先于现有技术，而且多项任务仅需要 30 毫秒即可完成。

Dec, 2020