利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

May, 2020

本文提出一种用交互图和图卷积进行物体重要性估计的新框架，以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明，该模型具有比现有基线模型更好的性能。

Mar, 2020

本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

Mar, 2022

提出一种实时排名系统，通过仿真运行规划器并记录各种规划器活动的结果自动生成一个代理编排数据集，并结合卷积神经网络和领域知识工程特征，用于实现在自主导航中智能代理编排。

Sep, 2019

本文介绍了自动驾驶汽车的重要性过滤问题，并提出使用风险模型来过滤不重要的代理的解决方案。通过大规模实验证明，使用新型轨迹距离算法可以平衡系统性能，鲁棒性和效率。同时，本研究还提出了一种多重滤波器结构，采用多个过滤步骤，并为每个步骤推荐风险模型，以进一步提高系统鲁棒性。

Mar, 2023

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

Jul, 2020

论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。

Jun, 2023

本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

May, 2023

本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。

May, 2022