智能：多智能体联合递归轨迹预测
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
Trajectron++是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。
Jan, 2020
本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。
Mar, 2020
利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在nuScenes预测基准测试中取得了最佳结果。
May, 2020
本文提出了一种新的自主系统——LookOut，它能够感知环境，预测场景可能出现的不同未来情景，并通过针对这些情景的应变计划来评估自动驾驶车辆的轨迹。通过使用生成模型学习交通场景中多智能体未来轨迹的多样化联合分布，本文的多样性目标显式地奖励采样需要从车辆中得到不同反应的未来情景，然后通过应变规划器找到舒适且非保守的轨迹，确保在广泛的未来情景下进行安全反应。通过广泛的评估，我们发现我们的模型能够在大规模自动驾驶数据集中展示出更加多样且样本高效的运动预测，并且与当前最先进的模型相比，在长期闭环模拟中展现出更加安全和非保守的运动规划。
Jan, 2021
本文提出一种名为ITRA的深度生成模型，使用基于全差分仿真器的条件循环变分神经网络对多智能体轨迹进行预测，成功利用运动学自行车模型和鸟瞰图像实现了最新的预测结果。
Apr, 2021
本技术报告提出了一种名为QCNeXt的下一代联合多智能体轨迹预测框架，其基于查询中心编码范例和多智能体DETR类似的解码器，并在Argoverse2数据集上实现了最佳结果。
Jun, 2023
自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。
Feb, 2024
本研究解决了自动驾驶车辆在环境交互和安全规划中对多模态运动预测的需求。提出的SceneMotion模型通过一种新颖的潜在上下文模块，将局部代理中心嵌入转化为场景范围的预测，实现了联合预测与交互建模。实验结果显示，该方法在优秀的表现下，为交通代理的互动量化提供了新的视角。
Aug, 2024