提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020

本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

Jun, 2017

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

在非固定驾驶环境中，提出了一种基于深度图预测和规划策略网络（GP3Net）框架，该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径，进而提高自动驾驶车辆的安全性能。

Dec, 2023

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

本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

Dec, 2019

使用合作信息进行自动驾驶的轨迹预测，提出了一种基于图神经网络的体系结构，能够有效地提高网络性能并处理不准确的合作数据。

Oct, 2023

本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

Apr, 2021

通过深度学习方法将预测和规划结合起来，利用条件生成对抗网络和 U-Net 架构训练模型，以预测高分辨率的图像序列并编码运动预测以及规划相关信息，从而在城市环境中与其他交通参与者可靠地进行交互。

Oct, 2023

我们提出了 PnPNet，这是一种针对自动驾驶车辆中的联合感知和运动预测问题的端到端模型，通过在线生成物体轨迹并利用轨迹级特征进行运动预测，PnPNet 在两个大规模驾驶数据集上得到了验证，并显示了比现有技术更好的遮挡恢复和更准确的未来预测。

May, 2020