基于领域知识驱动的伪标签方法：解释性目标条件交互轨迹预测
本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。
Jul, 2020
自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。
Aug, 2023
本文提出了一种新的 CGTP 框架来进行交互行为预测，在 Argoverse 和 Waymo 数据集上进行实验并与其他传统方法进行比较，结果表明我们的模型具有更好的预测能力。
Oct, 2022
这篇论文提出了目标导向的神经变分智能体 (GNeVA)，它是一个可解释的生成模型，用于预测自动驾驶车辆在混合交通流中的潜在行为，具备对分布外情况的强大泛化能力。实验验证了该模型具备可解释性和泛化能力，并能够达到与最先进结果相媲美的性能。
Mar, 2024
本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。
Dec, 2022
在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。
Mar, 2024
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
本研究致力于解决无人驾驶中的预测难题，提出了一种概率化、多模态、上下文驱动和通用的条件变分自编码器。通过大量运用超网络，这种 VAE 能够执行高维问题的生成任务，并在各个环境中更加准确地预测道路情况。
Jan, 2022
本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型，该模型可通过学习社交交互模式，以及先前轨迹信息进行轨迹预测，并在流行的轨迹基准测试中表现出优异的性能。
Feb, 2022
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