本文提出了一种基于深度学习的，可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆（LSTM）的编码器分析过去轨迹中的模式，使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留 K 个局部最优解，产生 K 个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明，所提出的方法的预测精度显著高于传统的轨迹预测技术。

Feb, 2018

车辆轨迹预测在推动自动驾驶和高级驾驶辅助系统（ADAS）方面至关重要，本研究介绍了一种专为汽车跟驰轨迹预测设计的交叉注意力变换增强条件扩散模型（Crossfusor），它将详细的车辆间相互作用和跟驰动力学结合到强大的扩散框架中，提高了预测轨迹的准确性和真实性，实验结果证明 Crossfusor 在长期预测方面优于最先进的模型，展示了它增强自动驾驶系统预测能力的潜力。

Jun, 2024

综述了车辆跟随模型在交通仿真与自动驾驶中的广泛应用及其不同调节算法之间的差异与共性，并归纳总结了该领域相关文献。

Apr, 2023

本研究建立了一个公共基准数据集，用于汽车跟车行为建模。数据集包含来自五个公共驾驶数据集的超过 80K 个汽车跟车事件，用于比较不同的跟车模型，并推进更精确模型的发展。实现了代表性的基准模型并进行测试，结果表明，基于 DDPG 模型的跟车模型在大多数数据集中具有竞争力，跟随距离 MSE 值较低，碰撞率较小。

May, 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

使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

Apr, 2024

通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统相比，该框架能够快速适应新驾驶员并在预测车辆跟驰行为方面具有更高的准确性和安全性。

Jun, 2024

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

提出 EnsembleFollower 框架，使用多种低级模型来实现高级、类人的跟车行为，结合强化学习的高层代理，基于真实驾驶数据评估并验证了模型的准确性和有效性。

Aug, 2023