该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

文章介绍了一种基于深度生成建模的概率世界模型，使得自主代理机器人能够可靠地沟通其在所需任务中的能力并且可以计算出任务完成的精确概率分布。

Mar, 2022

通过使用深度生成模型的集合，本研究展示了如何量化自主代理在执行任务时的 aleatoric 和 epistemic 不确定性，从而提高人类用户对自主代理的信任水平。

Jun, 2022

我们引入了一种简单而有效的方法来管理基于模型的强化学习中的风险，该方法使用了概率安全约束、在确知不确定性面前的乐观和在事件性不确定性面前的悲观以及一组随机神经网络的平衡。各种实验证明，不确定性的分离对于在不确定和安全关键的控制环境中使用数据驱动的 MPC 方法表现良好是至关重要的。

Sep, 2023

本篇论文提出了一种轨迹规划器，使用深度学习技术建立预测模型，通过集成网络结构来估计模型不确定性，并设计轨迹规划器以考虑出现的最坏情况，从而可以提高自动驾驶在现实世界中长尾数据分布情况下的安全性和可靠性。

Jul, 2022

通过引入代理分类概率，提高了轨迹预测的性能和新的预测能力。

Apr, 2021

在这项工作中，我们提出了一种概率形式主义来学习多时间尺度世界模型，即 Multi Time Scale State Space (MTS3) 模型。我们的模型使用多时间尺度上的计算有效推理方案，以对未来数秒的高准确性和不确定性进行预测。我们的实验集中于行动条件下的远期预测，结果显示 MTS3 在包括复杂模拟和真实世界动态系统的多个系统识别基准测试中胜过了最近的方法。

Oct, 2023

提出了一种能够同时考虑感知不确定性和预测不确定性的端到端估计器 —— 基于编解码器的深度合奏网络，比较了该模型与其他近似贝叶斯推断方法。实验表明，该方法可以更准确地进行鲁棒的未来状态预测。

May, 2023

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

本文利用行为模型和长度模型，针对不确定性进行建模，通过预测分布进行多样本采样，得到能够捕捉多模态未来活动的模型。在多个数据集上测试，模型在预测单个未来活动序列的准确性不受影响的同时，表现出较好的性能。

Aug, 2019