为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

本文提出了一种基于条件变分递归神经网络（C-VRNN）的生成式架构，用于多未来轨迹预测，在密集场景中有效地建模人类动作，并进行了公开数据集的广泛实验，证明了其在比较现有先进技术下的有效性。

May, 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

本研究提出了Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

Oct, 2020

提出了一个基于实例的方法MemoNet，通过储存代表性实例和一个可训练的地址器来搜索与当前情况相似的实例，实现了对代理的移动意图的预测，进一步建立了两步轨迹预测系统。实验结果表明，该方法相较于之前的最佳方法有了较大的改进。

Mar, 2022

研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

Apr, 2022

本研究提出了一种新的记忆机制MemoNav，它通过保留有信息的短期记忆和长期记忆来提高多目标任务下图像目标导航的性能。实验结果表明，MemoNav方法与最先进的方法相比，在使用更少的导航历史记录的情况下取得了更好的性能，并且更不容易被困在死结中。

Aug, 2022

基于记忆的Motion Pattern Priors Memory Network方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库，并引入地址机制来检索匹配的模式和每个预测的潜在目标分布，从而使得在真实世界场景中的不确定性下，准确地预测人类行为轨迹成为可能。

Jan, 2024

使用大型语言模型和创新的技术，本研究拟探索将LLM应用于交通场景中的动态车辆轨迹预测任务，以提高预测效果并适应不同情形。

May, 2024

本研究解决了当前轨迹预测方法在处理新环境时的计算低效和适应性不足的问题。我们提出了基于碎片化记忆的轨迹预测模型（FMTP），该模型通过离散表示提高了计算效率，并设计可学习的记忆数组来减少信息冗余。实验结果表明，该方法在多个公共数据集上的表现显著提升，有助于从过去轨迹中提取更有价值的经验。

Oct, 2024