论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。

Jun, 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

这篇论文介绍了一种人类似的轨迹预测模型（HLTP 模型），它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架，这种方法可以在动态环境中动态适应变化的驾驶场景，提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能，特别是在数据不完整的具有挑战性的环境中。

Feb, 2024

本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

Jul, 2023

自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

Feb, 2024

本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

Feb, 2024

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018

本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

Apr, 2021

为了实现自动驾驶规划的社交合规和灵活性，我们提出了以规划为基础的轨迹预测（PiP）方法，通过利用自车的规划信息来指导预测过程，实现了在高速公路数据集上多智能体预测的最佳表现。此外，我们的方法通过将 PiP 与自车多个候选轨迹相结合，实现了预测和规划的新型流程，对于交互式场景中的自动驾驶非常有益。

Mar, 2020

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