本文提出了 HOME 框架来解决动态预测问题，该方法通过图像输出表示代理人未来位置的概率分布，使用卷积神经网络与关注机制设计两种取样方法，无需重新训练，能够在多个模态下平衡优化折衷，将方法应用于 Argoverse 动态预测基准测试并在在线排行榜上获得第一名。

May, 2021

自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动，本研究开发了一种新颖的自主车辆运动预测方法，使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图，并对比了不同编码器、解码器和损失函数，并引入了一种新的网格缩放技术，在 3 秒的预测区间内改进了现有方法的性能，并在更长的预测区间（最长为 8 秒）保持竞争力，评估使用的是 2022 年公开的 Waymo 运动挑战数据集。

Oct, 2023

通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

Aug, 2023

本文介绍了在 NuPlan 2023 挑战赛中我们第二名的解决方案，采用以行为克隆为基础的学习方式，通过热力图表示预测未来的多模态状态，并使用轨迹精化技术确保最终的安全，实验结果表明我们的方法有效地平衡了车辆的进展和安全性，产生了安全舒适的轨迹。

Jun, 2023

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023

通过构建一个从原始地图数据中构造出来的车道图，结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型，可以准确地预测和展示多种行车情景，取得了比现有最好技术更好的表现。

Jul, 2020

本文提出了 THOMAS，一个联合多代理轨迹预测框架，可以有效、一致地预测多代理多模态轨迹。 我们提出了一个统一的模型架构，用于同时代理的未来热力图估计，并利用分层和稀疏图像生成进行快速和内存有效的推断。我们报告了我们在 Interaction multi-agent prediction 挑战中的结果，并在在线测试排行榜上排名第一。

Oct, 2021

我们提出了一种基于 Argoverse 的有效基准线方法，旨在利用用于 Motion Prediction 的最新技术，包括注意力机制和 GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他 SOTA 方法相当的准确性。

Sep, 2023

介绍了一种通过自动递归生成方法生成高清地图的任务和被称为 HDMapGen 的层次图生成模型，该模型能够通过粗到精细的方法制作高质量且多样化的高清地图，并在 Argoverse 数据集和内部数据集上显示出在基线方法上明显的提高，同时表明了该模型的可扩展性和高效性。

Jun, 2021

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