针对自动驾驶中编码驾驶场景以进行轨迹预测的任务，本文提出了一种新颖的骨干网络，称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT)，将驾驶场景建模为具有不同类型节点和边的异构图，并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性，实验结果表明，该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。

Apr, 2022

本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

Nov, 2022

利用知识图谱建模交通场景中多样化实体及其语义连接，为轨迹预测提供了一个数据格式，结合图神经网络使用。

Dec, 2023

本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

Mar, 2023

该论文提出了一种新的神经渲染方法，能够将动态环境分解成场景图，通过隐式编码学习场景的变换和辐射度，并能够渲染未见过的物体、位置的各种动态场景，达到了高度逼真的效果。

Nov, 2020

通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

Nov, 2022

利用异构图神经网络提出了一种新的数据驱动交通分配和交通流学习方法，该模型能够捕捉不同链接上的空间交通模式，具有高精度的结果，并在城市交通网络上进行了数值实验，表明该模型在收敛速度、训练损失和预测准确性方面优于其他传统神经网络模型，同时也具有泛化到不同网络拓扑的能力，为复杂交通流分析和预测提供了有希望的解决方案，增强了对各种交通系统的理解和管理能力。

Oct, 2023

本文介绍了一种使用混合方法通过对语义交通场景图进行推理来预测多模态轨迹的方法 SemanticFormer。该方法从知识图谱中提取语义元路径的高级信息，并通过多个注意机制的新型流水线对其进行处理，以预测准确的轨迹。所提出的架构包括一个分层异构图编码器，可以捕捉代理之间及代理与道路元素之间的时空和关系信息，以及一个使用概率融合不同编码并解码轨迹的预测器。最后，一个改进模块评估轨迹和速度配置文件的准许元路径，以获得最终的预测轨迹。与现有方法相比，对 nuScenes 基准测试的评估显示出改进的性能。

Apr, 2024

自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

May, 2024

本文提出了一个用于无条件生成场景图的生成模型 SceneGraphGen，通过层级循环架构直接学习带标签和有向图的概率分布，生成的场景图多样且遵循真实场景的语义模式，同时还证明了生成的图在图像合成、异常检测和场景图完整性方面的应用。

Aug, 2021