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

本文提出一种名为 DenseTNT 的无锚和端到端轨迹预测模型，并介绍了一种离线优化技术，为我们的在线模型提供多重未来的伪标签。实验表明，DenseTNT 在 Argoverse 运动预测基准测试中排名第一，并成为 2021 Waymo 开放数据集运动预测挑战的第一名。

Aug, 2021

本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

Feb, 2021

本研究提出了 Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

Oct, 2020

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

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 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹，并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估，并展示了在所有数据集上都取得了最先进的结果。

Mar, 2021

利用目标状态的预测为驱动力，在 $T$ 步预测范围内的运动主体的未来行为，是目前实现移动体轨迹预测的有效方法，为了更加准确，研究新提出的轨迹预测框架 TNT 以代替前人的潜意识变量方法，并在预测车辆和行人轨迹中，超过 Argoverse Forecasting、INTERACTION、Stanford Drone 和一个内部的 Pedestrian-at-Intersection 数据集达到了当今最高水平。

Aug, 2020

通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

Feb, 2024

基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

Mar, 2024