本文提出了一个通用的生成神经模型（称为 Social-WaGDAT），通过引入关系归纳偏差和动态图表示，利用轨迹和场景上下文信息，提供每个代理的未来轨迹分布，从而在多代理轨迹预测中实现显式交互建模，并应用于车辆轨迹预测的运动学约束层，已在三个公共基准数据集上进行了评估和实验证明，相对于各种基线方法，该模型在预测准确性方面表现更佳。

Feb, 2020

为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。

Dec, 2023

我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

Nov, 2023

提出了一种新的递归生成模型，通过使用双重基于注意力的图神经网络，考虑单个代理未来的目标和不同代理之间的交互以及集成他们之间的相互影响信息，实现对人类行为多模式的更好预测，并在城市和运动场景中取得了最新的研究成果。

May, 2020

这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

Jun, 2021

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

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

本文提出了一个新的空间 - 时间因果图注意网络（STCGAT）用于交通预测，采用节点嵌入方法在每个时间步骤自适应生成空间相邻子图，以建模全局空间和时间依赖性，并提出了一种高效的因果时间相关组件，包含节点自适应学习，图卷积和本地和全局因果时间卷积模块，共同学习本地和全局空间 - 时间依赖性，实验结果表明 STCGAT 模型始终优于所有基线模型。

Mar, 2022

研究人员开发了一种基于图结构的 Trajectron 模型，利用递归序列建模和变分深度生成建模来预测多个代理的未来轨迹，通过多个数据集的结果表明其性能达到了最佳，并引入了一个新的指标用于比较输出分布的模型。

Oct, 2018

本研究提出使用关注机制进行轨迹预测的 STAR 模型，采用 TGConv 和临时 Transformer 模型，以及可读写的外部记忆模块，以实现复杂的时空交互并实现了 5 个真实世界的行人预测数据集的最新性能。

May, 2020