该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。
Jul, 2023
本文提出了一种通过集成导航地图来提高无人驾驶预测周围物体运动的方法，并且针对训练中可用的高清地图提出了一种自适应知识蒸馏的技术，实验表明这些方法可以显著改善预测效果。
Feb, 2023
利用无人机鸟瞰图像构建的地图表示法可以有效地提供路况信息，实现了在多智能体轨迹预测中获得与高清地图相当的性能。
May, 2023
提出了一种无地图自主驾驶的端到端方法，该方法以原始传感器数据和高级命令（例如，在十字路口左转）作为输入，利用在线地图以及动态代理的当前和未来状态性能预测，并利用一种新颖的神经运动规划器制定可解释决策，同时能够更好地执行命令和比基线和专家驾驶员更加安全和舒适地执行长期封闭环模拟。
Jan, 2021
利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。
Nov, 2023
本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。
May, 2022
结合知识蒸馏的优化，通过训练小型网络，提高了自动驾驶交互感知中的路径规划的速度和精确性。
Apr, 2024
高清地图在现代自动驾驶车辆的发展中起着重要作用，本文介绍了多种先进的在线地图估计方法，并扩展了不确定性预测，以更好地与轨迹预测结合，实验结果表明不确定性的引入可以提高训练收敛速度和预测性能。
Mar, 2024
本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。
Nov, 2016
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在 6 秒的预测角度内，在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明，该模型的性能优于先进的车辆轨迹预测方法。
Sep, 2020