该研究提出了一种基于预训练的深度学习模型 ——PreTraM，通过将轨迹和地图相连接来提高轨迹预测的准确性和数据利用率。PreTraM 比 AgentFormer 和 Trajectron 等基线方法在 nuScenes 数据集的 FDE-10 性能上分别提高了 5.5% 和 6.9%。

Apr, 2022

使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

Sep, 2023

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

这篇论文介绍了一种适用于自主驾驶的轨迹预测模型，重点是在动态交通场景中捕捉复杂的交互作用，而无需依赖高清地图。该模型被称为 MFTraj，利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分，一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征，保留了空间 - 时间的复杂性。通过线性注意机制的增强，该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性，在数据有限的场景下，甚至无需额外信息（如高清地图或矢量化地图），也能胜过许多基准模型。重要的是，即使在存在大量缺失数据的情况下，其性能与大多数现有的最先进模型相当。结果和方法表明，在自主驾驶轨迹预测方面取得了显著进步，为更安全、更高效的自主系统铺平了道路。

May, 2024

本篇论文利用分层知识蒸馏框架，将基于高清地图的预测模型的知识迁移到不需要高清地图的预测模型中，提高了自主驾驶的轨迹预测准确性。

Jun, 2023

使用数据驱动方法结合在线学习方法（包括使用自动标签任务的回归损失和使用隐式自编码器进行表示学习）来解决轨迹预测中的多个参与者和环境交互问题，并在各种跨数据集分布转移场景中验证了方法的有效性。

Mar, 2024

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

通过使用语义信息，我们提出了一种中间表示形式，并训练了一个自回归模型来准确预测城市道路交通参与者的未来路线，该表示形式适用于多目标跟踪等领域，并且可以泛化到各种城市和路况。

Mar, 2019

自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

May, 2024

通过使用掩码自编码器进行预训练，我们提出了一种新颖的框架 STD-MAE，用于准确预测多变量交通流时间序列，该框架能够学习和编码复杂的时空依赖关系，并通过隐含表示增强下游时空交通预测模型的能力。

Dec, 2023