提出了一种名为 MCENET 的方法，通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化，以此解决在城市混合交通区域（即共享空间）中对异质性道路代理（行人、骑车人和车辆）进行微观级别的轨迹预测的挑战。

Feb, 2020

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

基于 Hedge Propagation 算法的启发，我们提出了 Expert Attention Network，它是一种完整的在线学习框架，用于轨迹预测。我们引入了专家注意力机制，通过调整不同深度网络层的权重，避免了由于梯度问题导致模型更新缓慢，使其能够快速学习新场景的知识以恢复预测精度。此外，我们提出了一种对场景变化敏感的短期运动趋势核函数，使得模型能够快速响应。实验结果表明，传统方法存在梯度问题，而我们的方法可以快速减小预测误差并达到最先进的预测准确性。

Sep, 2023

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

本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

Sep, 2021

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

本报告提出了一种用于自主驾驶的有效的运动预测方法，采用基于 Transformer 的输入编码和轨迹预测，引入了 Temporal Flow Header 以增强轨迹编码，最后使用高效的 K-means 集成方法，在 Argoverse 2 Motion Forecasting Challenge 赢得了第一名，最小 brier-FDE 评分达到 1.90，表现优于现有技术。

Jun, 2022

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

提出了基于注意力掩蔽的对比事件网络（AMCEN），通过局部 - 全局时间模式对未来事件进行两步预测，以更准确地推理时态知识图谱中的事件，从而解决数据集中新事件和重复事件之间不平衡影响推理准确性的问题。在 AMCEN 网络中，设计了历史和非历史注意力掩蔽向量，以控制对历史和非历史实体的注意偏向，从而减轻不平衡。提出了局部 - 全局消息传递模块，全面考虑和捕捉多跳结构依赖和局部 - 全局时间演变，深入探索不同事件类型的潜在影响因素。使用对比事件分类器将局部 - 全局时间模式纳入对比学习，更准确地分类事件。因此，AMCEN 通过对比事件分类的结果细化预测范围，并利用基于注意力掩蔽的解码器最终确定特定结果。在四个基准数据集上的实验结果突出了 AMCEN 的优越性，特别是在 Hits@1 方面的显著改进，证明 AMCEN 可以更精确地预测未来事件的发生。

May, 2024