使用基于网格表示的模型，结合卷积神经网络及ConvLSTM解码器，针对人体运动预测中存在的非线性、多模态和不确定性等问题提出了一种解决方案，取得了优于现有方法的效果和真实性。

Sep, 2019

本文介绍一种基于最大熵逆强化学习(MaxEnt IRL)的计划采样方法，以提高对未知环境下行人和车辆运动轨迹的准确性和多样性，同时考虑多模式预测分布和场景结构的影响。在Stanford drone和NuScenes数据集上的实验表明，所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。

Jan, 2020

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

该研究提出了 Predicted Endpoint Conditioned Network (PECNet) 方法用于灵活的人类轨迹预测，在 Drobe 和 ETH/UCY 数据集上的结果分别比之前最好结果提高了约 20.9% 和 40.8%。

Apr, 2020

本文提出了一种基于条件变分递归神经网络（C-VRNN）的生成式架构，用于多未来轨迹预测，在密集场景中有效地建模人类动作，并进行了公开数据集的广泛实验，证明了其在比较现有先进技术下的有效性。

May, 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

提出了Occupancy Flow Fields，这是一种新的用于自动驾驶的运动预测表示方法。该方法使用深度学习架构生成Occupancy Flow Fields，并引入了一个新的流跟踪损失来建立占用和流动预测之间的一致性，其可在占用预测、运动估计和代理重构等三个指标上证明其有效性。新方法成功地缓解了现有的两种常用运动预测表示方法轨迹集和占用格之间的局限性。此外，该文章提出了一个新问题，即如何预测具有推测性的代理并在大规模自动驾驶数据集和公共INTERACTION数据集上展示了优于现有技术的结果。

Mar, 2022

本文提出了 GAME-UP，使用博弈论逆强化学习提高了多模态预测的覆盖率和准确性，而没有假定代理的行动分类，并在 Waymo 公开运动数据集的互动子集上证明了这种方法。

May, 2023

本文提出了MotionDiffuser模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终在Waymo数据集上实现了最先进的多代理运动预测结果。

Jun, 2023

高速场景下，通过考虑历史特征、与周围实体的交互以及内在意图和不确定性，本研究提供了一种去噪端点分布模型来进行轨迹预测，该模型通过聚焦于实体的端点而不是整个轨迹，显著降低模型复杂性，提高性能，为高速场景下轨迹预测的进一步发展打下基础。

May, 2024