使用单一车载摄像头图像进行在线鸟瞰车道图提取，通过优化潜空间向量，从先验分布派生的先验信息增强了初始车道图估计，并对其进行逻辑优化，结果显示该方法显著提高了性能。

Jul, 2023

通过构建一个从原始地图数据中构造出来的车道图，结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型，可以准确地预测和展示多种行车情景，取得了比现有最好技术更好的表现。

Jul, 2020

本文主要研究从视频流中提取 BEV 车道图。通过三种不同的方法，即后处理，空时嵌入变换和显式 BEV 投影等方法，实现在任意数量的图像上生成准确的车道图，并在 Nuscenes 和 Argoverse 数据集上进行了实验并证明了所提出方法的有效性和优越性。

Apr, 2023

自主驾驶需要准确的局部场景理解信息，为此，我们提出了一种架构和损失形式来通过使用三维物体检测输出来改善局部车道图估计的准确性。所提出的方法通过将车道线作为簇中心，将物体视为要被分配到簇中心概率分布的数据点，从而学习将物体分配给车道中心线，以确保车道和物体之间的直接关系的监督，从而提高性能。该方法显著改善了车道图估计，且通过使用现有三维物体检测方法的输出，我们的方法可以实现显著的性能提升。由于我们的方法使用的是检测输出而不是检测方法的中间表示，因此我们的方法的单一模型可以在测试时使用任何检测方法。

Jul, 2023

通过对人群行为的研究，我们提出并应用了一种考虑个体之间的局部相互作用，将人群表示成接近性图的方法，从中提取信息，聚焦于一个特殊的行为模式 —— 车道形成，并提出了一个自动化检测方法。我们的初步结果表明，该方法能够检测不同形状和大小的车道。这是使用接近性图进行丰富的模式识别的第一步。

Jul, 2017

该研究分析并分类现有的车道级交通预测研究，建立了统一的空间拓扑结构和预测任务，并基于图结构和 MLP 网络引入了一个简单的基准模型 GraphMLP。通过公开发布三个新数据集和相应的代码，提供了关于效果、效率和适用性的深入评估，以加速该领域的进展。

Mar, 2024

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019

通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

Nov, 2022

本文通过使用有向无环图模型 (DAG) 来推断车道边界的几何和拓扑属性，从而提高制作高精度地图的效率。经测试，该方法在两个不同的州的两条北美高速公路上表现出了 89% 的正确率。

Dec, 2020

本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

Jul, 2020