该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

Jun, 2024

本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

Sep, 2021

本研究提出了 Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

Oct, 2020

本论文提出了一种基于记忆增强神经网络的多模态轨迹预测方法，该方法可以在复杂场景中安全地规划自主车辆路径，并且通过非参数化的记忆模块，可以不断改进预测效果。

Jun, 2020

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

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

Jan, 2024

本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

Jun, 2020

本文介绍了遮盖轨迹模型 (MTM) 作为顺序决策制定的一般抽象。MTM 采取轨迹，如状态动作序列，并旨在在相同轨迹的随机子集的条件下重建轨迹。通过高度随机化的遮盖模式进行训练，MTM 学习多功能网络，可以通过在推理时选择适当的遮罩来扮演不同的角色或具有不同的能力。通过在几个连续控制任务中进行广泛的实验，我们展示了相同的 MTM 网络可以匹配或优于专门针对前述能力进行训练的网络。此外，我们发现 MTM 学到的状态表示可以显着加速传统 RL 算法的学习速度。最后，在离线 RL 基准测试中，我们发现 MTM 尽管是一种通用的自监督学习方法，并且没有任何明确的 RL 组件，但它与专门的离线 RL 算法相竞争。

May, 2023

本篇研究旨在提出一种基于遮罩策略和注意力机制的场景中多智能体行为预测模型，以解决自动驾驶中的动态环境下多种智能体之间相互作用问题，结果表明该模型在多种运动预测任务上表现出优越性和普适性。

Jun, 2021