通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

Feb, 2024

自动驾驶的安全性需要准确预测道路用户未来轨迹以进行安全运动规划，在具有挑战性的条件下尤为重要。本文提出了一种在原型对比学习框架中将更丰富的培训动态信息纳入其中的方法，并在两个大规模自然数据集上进行了实证评估，证明了该方法在改善长尾样本准确性和场景符合性方面达到了最先进的性能。

Apr, 2024

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

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

本文针对自动驾驶系统中交通预测中的长尾分布的挑战性场景，通过优化损失函数设计，提出了一种让相似的场景更靠近一起，从而分享信息和学习特定预测特征的方法，证明在四个公共数据集上，该方法可以提高挑战性场景的预测性能，同时保持总性能稳定。该方法与已有的解决方案相兼容，使用不同网络体系结构、输入模态或视角都能无缝集成。

Mar, 2021

基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

Dec, 2023

基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

Mar, 2024

本文提出了一种新型的长尾分类器 RIDE，通过多个专家、分布感知多样性损失以及动态专家路由模块来减小模型方差、缩小模型偏差与尾部的差距，相较于现有的方法，在 CIFAR100-LT、ImageNet-LT 和 iNaturalist 2018 基准测试上性能提高了 5％到 7％，并可应用于各种主干网络和长尾算法，具有较高的普适性和一致性性能。

Oct, 2020

基于 Hedge Propagation 算法的启发，我们提出了 Expert Attention Network，它是一种完整的在线学习框架，用于轨迹预测。我们引入了专家注意力机制，通过调整不同深度网络层的权重，避免了由于梯度问题导致模型更新缓慢，使其能够快速学习新场景的知识以恢复预测精度。此外，我们提出了一种对场景变化敏感的短期运动趋势核函数，使得模型能够快速响应。实验结果表明，传统方法存在梯度问题，而我们的方法可以快速减小预测误差并达到最先进的预测准确性。

Sep, 2023

本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以 90 FPS 的速度运行。

May, 2019