在复杂环境中预测动态实体的未来轨迹对于自动驾驶、机器人技术和人机交互等领域至关重要。本研究中，我们研究了在轨迹预测框架中加入长期目标对性能的影响，并提出了一种可解释的长期目标驱动预测框架 (WayDCM)，通过编码他们与环境的互动以及长期目标，首先预测了代理人的中间目标，然后预测相应的轨迹。

Dec, 2023

通过引入噪声增强的观测轨迹视图和自我监督任务，提出了一种名为 SSWNP（自我监督的航点噪声预测）的新方法，该方法能改善轨迹预测模型的性能并提供更合理且多样的表示。实验证据表明，我们的方法在嘈杂环境中相对于基准方法显著提升了性能，可与现有的轨迹预测方法相辅相成。

Nov, 2023

该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

本文提出一种基于多项式轨迹参数化的时态连续概率轨迹预测表述，并在两个大型自动驾驶数据集上评估了该提出表述。结果表明，该方法预测车辆、自行车和行人未来运动的效果优于其他表述方式。

Nov, 2020

本文提出了一个通用的生成神经模型（称为 Social-WaGDAT），通过引入关系归纳偏差和动态图表示，利用轨迹和场景上下文信息，提供每个代理的未来轨迹分布，从而在多代理轨迹预测中实现显式交互建模，并应用于车辆轨迹预测的运动学约束层，已在三个公共基准数据集上进行了评估和实验证明，相对于各种基线方法，该模型在预测准确性方面表现更佳。

Feb, 2020

为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

通过自动路径点提取，我们的方法可以将演示过程分解成最小集合的路径点，并与任何行为克隆（BC）算法结合，从而提高模拟环境中的成功率至多 25％，在实际世界的双臂操纵任务中提高 4-28％，将决策时间范围缩小最多 10 倍。

Jul, 2023

自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动，本研究开发了一种新颖的自主车辆运动预测方法，使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图，并对比了不同编码器、解码器和损失函数，并引入了一种新的网格缩放技术，在 3 秒的预测区间内改进了现有方法的性能，并在更长的预测区间（最长为 8 秒）保持竞争力，评估使用的是 2022 年公开的 Waymo 运动挑战数据集。

Oct, 2023

通过融合天气和时间等信息，借助于多模态单元的嵌入结构，提出了一种新的天气 - 时间 - 轨迹融合网络 (WTTFNet)，用于改进基准深度神经网络架构，并采用联合损失函数和基于聚焦损失，通过优化深度轨迹特征和最终分类器，提高了对行人目的地和轨迹的准确性，该方法在与现有算法相比的实验结果中表现出 23.67％的分类准确度提高，平均和最终位移误差分别降低了 9.16％和 7.07％，可应用于天气和时间等条件有影响的场景，用于行人设施工程、公共空间开发和技术驱动的零售等众多应用。

May, 2024

提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020