本研究提出了一种新颖的多模态预测算法，采用混合学习架构来分析环境的视觉特征和场景动态，预测行人的未来横穿行为，并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估，取得了最先进的表现。

Nov, 2020

通过提出基于路径的预测（PBP）方法，可以改进基于目标的预测模型，在标准轨迹预测指标方面取得竞争性表现，并在地图合规性方面明显优于现有方法。

Sep, 2023

本文通过利用神经网络的注意力机制和迭代逐步学习的方式，结合环境因素预测市区环境下行人位置的运动，成功构建了一个简单、高效的行人轨迹预测模型，并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面，也能够与 SoTA 模型相媲美地达到相似的性能水平。

Jun, 2022

本篇论文提出使用单个车载摄像头的深度学习方法预测行人轨迹，通过引入可扩展的机器注释方案来解决训练数据不足的问题，并提出了动态轨迹预测器（DTP）来预测未来一秒的行人轨迹，实验证实了该模型的好处。

May, 2019

提出了一种多模态数据下的多任务学习框架 ——BiPed，其中包括一个双向编码器以及新颖的交互建模技术，同时提高了行人轨迹和行为预测的性能达到最新水平。

Dec, 2020

研究提出了一种基于均衡高斯过程动态模型的方法，用于预测未来的行人路径和意图，并支持实时的活动类型预测以改进自动紧急制动系统，并取得了较高的准确率。

Apr, 2020

本文研究在城市环境中自主车辆的预测能力，提出了基于轨迹和外观数据的人行预测方法，并进行了比较评估和数据实验。

May, 2023

本文提出了一种基于多任务学习的端到端学习系统，利用丰富的视觉特征和人类行为信息相互作用来预测行人未来的路径和活动，实证证明了该方法可以提高未来轨迹预测的准确性，并且还可产生有意义的未来活动预测。

Feb, 2019

研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。

May, 2023

提出一种新方法，从车辆轨迹自动识别驾驶员行为，使用这些行为进行自动驾驶车辆的安全导航，该方法包括从轨迹中提取一系列特征，通过一个网络用户研究，将这些特征与六种驾驶员行为建立数据驱动的映射，并计算评分，我们把算法应用于车辆导航仿真系统，并展示了它在和危险驾驶员或咄咄逼人的驾驶员并行行驶时的安全实时导航方面的优势。

Mar, 2018