提出了一种名为 MTP-GO 的模型，该模型使用时间图神经网络对场景进行编码，并使用神经常微分方程实现运动模型，通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测，证明了其在各种数据集上的预测能力优于现有方法

Feb, 2023

基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。

Jun, 2024

本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

Aug, 2019

通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

Sep, 2023

整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

Sep, 2023

学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

Aug, 2023

人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归模型中结合了人体关节约束和场景约束，以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动，并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明，当明确考虑这些约束条件时，高斯过程框架的性能得到了显著改善。

Oct, 2023

本文提出了一个结合扩散模型和数值求解器的通用且可完全并行化的框架，用于非凸轨迹优化，以确保计算效率和约束满足性。通过引入一种新的受约束扩散模型，并在训练过程中引入附加的约束违反损失来近似局部最优解的分布并减小约束违反情况，得到的样本用作数值求解器的初始猜测，经过形式验证后细化和得出最终解。通过在不同机器人领域上进行实验评估，验证了我们提出的方法在改善约束满足性和计算效率方面的优势，使用我们的方法加速了 4 倍到 22 倍，适用于不同的轨迹优化问题并能很好地适应问题的复杂性。

Feb, 2024

我们提出了一种可微分的预测 - 规划框架，使用一个可微分的非线性优化器作为运动规划器，通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹，我们的模型使用真实世界的驾驶数据集进行训练，并在开环测试和闭环测试中得到验证，拥有比基线模型更好的性能，证明联合训练规划和预测模块比独立训练预测模块更优。

Jul, 2022

该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷，提出了一个新的全面评估框架，并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时，提出了附加在多模态运动预测模型上的意图预测层，以提升输出的可解释性和生成更平衡的结果。最后，通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。

Oct, 2022