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

本文提出一种名为 DenseTNT 的无锚和端到端轨迹预测模型，并介绍了一种离线优化技术，为我们的在线模型提供多重未来的伪标签。实验表明，DenseTNT 在 Argoverse 运动预测基准测试中排名第一，并成为 2021 Waymo 开放数据集运动预测挑战的第一名。

Aug, 2021

通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在 6 秒的预测角度内，在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明，该模型的性能优于先进的车辆轨迹预测方法。

Sep, 2020

本报告提出了一种用于自主驾驶的有效的运动预测方法，采用基于 Transformer 的输入编码和轨迹预测，引入了 Temporal Flow Header 以增强轨迹编码，最后使用高效的 K-means 集成方法，在 Argoverse 2 Motion Forecasting Challenge 赢得了第一名，最小 brier-FDE 评分达到 1.90，表现优于现有技术。

Jun, 2022

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023

利用目标状态的预测为驱动力，在 $T$ 步预测范围内的运动主体的未来行为，是目前实现移动体轨迹预测的有效方法，为了更加准确，研究新提出的轨迹预测框架 TNT 以代替前人的潜意识变量方法，并在预测车辆和行人轨迹中，超过 Argoverse Forecasting、INTERACTION、Stanford Drone 和一个内部的 Pedestrian-at-Intersection 数据集达到了当今最高水平。

Aug, 2020

本文提出了 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹，并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估，并展示了在所有数据集上都取得了最先进的结果。

Mar, 2021

通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

Feb, 2024

提出一种名为 DenseTNT 的无锚点（anchor-free）模型，通过稠密的目标概率估计进行轨迹预测，取得了最先进的性能，在 Waymo Open Dataset 运动预测挑战中排名第一。

Jun, 2021

自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动，本研究开发了一种新颖的自主车辆运动预测方法，使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图，并对比了不同编码器、解码器和损失函数，并引入了一种新的网格缩放技术，在 3 秒的预测区间内改进了现有方法的性能，并在更长的预测区间（最长为 8 秒）保持竞争力，评估使用的是 2022 年公开的 Waymo 运动挑战数据集。

Oct, 2023