该研究提出了一种可解释性强、基于神经网络和博弈理论的、能转化为下游决策制定的端到端可训练架构，用于预测相互作用代理的轨迹。该模型使用一个神经网络从代理的过去轨迹中提取偏好，并使用可微分的隐式层将这些偏好映射到局部纳什均衡，从而形成预测的未来轨迹的模式。实验评估表明，该方法在预测高速公路驾驶员合并轨迹和简单的决策制定任务上都取得了良好表现。
Aug, 2020
本文提出了一种基于多尺度超图神经网络的方法，可用于预测交互行为，通过对群体行为的建模以及超图的学习，实现了针对 CVAE 系统的关系推理，同时在 NBA、SDD 和 ETH-UCY 等实际数据集上验证了模型的有效性及优越性。
Apr, 2022
本篇研究提出了一种端到端的深度学习向量表示方法来进行群体活动分析，该方法可以编码个体动作和集体行为的空间时间依赖关系来识别个体事件并识别群体，此外本方法还可以应用于团队体育运动数据的事件分析和阵型分析中。
Jun, 2017
本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能，同时提出了大规模基于交互的 TrajNet++ 基准，并在真实和合成数据集上进行了实验，验证了文中方法的可靠性。
Jul, 2020
本文介绍了一种用于拟合协调多智能体轨迹行为的分层生成模型框架，并利用编程生成的弱标签扩展到时空范畴，非常适合处理如篮球比赛中的复杂互动以及生成真实的多智能体轨迹。
Mar, 2018
通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。
Mar, 2024
本文提出了一种能够通过关系推理和适应性地进化交互图，预测多个异构交互代理的轨迹的通用轨迹预测框架，其在多个真实世界基准数据集中取得了最先进的预测准确性表现。
Mar, 2020
本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。
Dec, 2019
基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。
Sep, 2019
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