提出了一种基于协作不确定性的框架来预测未来轨迹和相应的不确定性，该框架被整合为插件模块到了现有的最先进系统，并在两个数据集上进行了实验，结果表明，该框架有助于提高预测性能。

Oct, 2021

使用深度生成的世界模型来预测自主代理系统的完整轨迹，从而解决世界系统中存在的各种不确定性问题。

Feb, 2023

本研究提出了一种基于激光雷达和历史位置数据的多智能体未来交互预测模型，包括标准预测和条件预测，并针对自动驾驶车辆的目标进行了评估。实验结果表明，该模型在多智能体驾驶情景中比现有技术更准确。

May, 2019

提出了一种能够同时考虑感知不确定性和预测不确定性的端到端估计器 —— 基于编解码器的深度合奏网络，比较了该模型与其他近似贝叶斯推断方法。实验表明，该方法可以更准确地进行鲁棒的未来状态预测。

May, 2023

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

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018

本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

Nov, 2022

该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

Aug, 2018