本文提出了一个 Motion TRansformer (MTR) 框架，将运动预测看作全局意向定位和局部运动细化的联合优化问题，通过可学习的少量运动查询对来引入空间意向先验，实现了更好的多模态预测。实验表明，该方法在多个运动预测挑战上均达到了最先进的水平，并在 Waymo 开放式运动数据集的排行榜上排名第一。

Sep, 2022

在这篇技术报告中，我们介绍了 2023 Waymo 开放式模拟智能体挑战赛 (WOSAC) 第二名的解决方案。我们提出了一种简单而有效的自回归方法来模拟多智能体行为，该方法建立在一种被称为运动变换器 (Motion Transformer) 的知名多模态动作预测框架上，并应用了后处理算法。我们的提交名称为 MTR+++，在 2023 WOSAC 的真实性元指标上取得了 0.4697。此外，在挑战赛后提出了一种基于 MTR 的修改模型 MTR_E，它有更好的得分 0.4911，并在 2023 年 6 月 25 日排名 WOSAC 的第三名。

Jun, 2023

本文提出了 Motion TRansformer (MTR) 框架进行自动驾驶中的动态预测，该框架使用可学习的意图查询来提高效率和准确性，适应多种行动方式的需求，同时扩展到多个代理的多模态预测，实现了对高度竞争的运动预测基准的最新表现和有效性的提升。

Jun, 2023

该论文提出了一种新的基于 transformer 的系统 ——mmTransformer，它使用独立提案集生成和选择提案，并使用基于区域的训练策略诱导所生成提案的多样性。实验表明，该模型在运动预测方面具有最先进的性能，大大提高了预测轨迹的多样性和准确性。

Mar, 2021

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

本篇研究基于 MultiPath ++ 技术，解决 Waymo Motion Prediction Challenge 2022, 在提供高标准安全和可靠性上，探讨了自动驾驶技术中运动预测模型的关键作用。代码已在 GitHub 上公开。

Jun, 2022

该研究论文介绍了一种多粒度转换器（MGTR）框架，它是一个编码器 - 解码器网络，利用不同粒度的上下文特征来处理不同类型的交通代理。通过整合来自现成的 LiDAR 特征提取器的 LiDAR 语义特征，进一步增强 MGTR 的功能。在 Waymo Open 数据集的运动预测基准测试中评估 MGTR，并展示了该方法在排行榜上取得了领先的性能，排名第一。

Dec, 2023

本技术报告介绍了我们在 Waymo Open Sim Agents Challenge 2023 中取得第一名的解决方案，使用 MVTA 技术实现了基于 transformer 的运动预测方法，设计了新颖的训练和采样方法，并实现了一个回归视野预测机制和可变长度的历史聚合方法来提高真实度。在实验中，我们的 MVTA 和增强版本 MVTE 的 realiism meta-metric 均超过了排行榜上的所有其他方法。

Jun, 2023

该研究介绍了当前最全面的交互式动作数据集，包含超过 100,000 个场景，用于发展动作规划模型与提供强大的基线模型来对单独或多个交互式对象进行预测，并提供了新的度量方法。

Apr, 2021

本文提出了一种基于卷积神经网络的简单而强大的多模态运动预测基准线，与最先进方法相比，具有竞争性的性能，并且在 2021 年 Waymo 开放数据集运动预测挑战赛上排名第三。

Jun, 2022