本文提出了一种基于深度神经网络的语义意图和运动预测（SIMP）方法，该方法使用语义定义的车辆行为来适应任何驾驶场景，结合分类意向和运动信息准确地预测自动驾驶车辆的行驶路径。

Apr, 2018

该研究介绍了一种名为条件性行为预测的方法，该方法可以更有效地进行交互式场景中的规划。他们还开发了一种名为干预性行为预测的新方法，以更好地评估关于自主代理人对目标代理人行为影响的不确定性，并提出了一种基于 Shapley 值的指标来验证模型是否满足干预概率分布固有的时间独立性。

Apr, 2022

研究了自主驾驶车辆在交互场景下，如车道变换、合并和无保护的拐弯等车辆行驶行为预测问题，提出了一种基于轨迹建模和条件行为预测的交互得分方案，用于训练和评估行为预测模型的有效性评估。

Apr, 2021

研究人员通过使用多任务网络和注意力关系网络，成功预测了未来行人动作，并将该预测作为先验来检测当前意图和行为，从而显着提高了交通安全性。

May, 2021

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018

通过自动驾驶汽车实现精确的行人意图预测是当前研究中的挑战之一。本文介绍了 PIP-Net 框架，用于预测自动驾驶汽车在现实城市场景中行人过马路意图。该模型利用运动数据和驾驶场景的空间特征，采用一种基于循环和时间注意力的解决方案，优于当前最先进的模型。为了提高道路使用者的视觉表达以及它们与本车的距离，我们引入了一个分类深度特征图和一个局部运动流特征，提供对场景动态的丰富洞察力。此外，我们还探索了将视野从一个相机扩展到围绕本车的三个相机的影响，从而增强了模型的上下文感知能力。根据交通场景和道路环境的不同，该模型能够提前 4 秒准确预测行人过马路意图，这是当前行人意图预测研究的突破。最后，我们首次提出了 Urban-PIP 数据集，这是一个自动驾驶情景下的定制行人意图预测数据集，包含多相机注释。

Feb, 2024

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

自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

Oct, 2023

使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类，验证了方法的性能和广泛适用性。

Jul, 2018

本文提出使用递归神经网络观察编码以及基于此的车辆行为交互网络 (VBIN)，通过捕捉每对交互的隐藏状态和连结特征来预测车辆未来行为，从而提高自动驾驶车辆的规划能力和准确性。

Mar, 2019