利用身体携带的相机和传感器，通过对用户的视角进行全景导航数据收集，提出了一种基于周围静态场景的人体运动预测方法，该方法利用扩散模型生成潜在的未来轨迹分布，并引入了一种紧凑表示方法来编码用户对环境的视觉记忆，以及一种高效的样本生成技术来加速扩散模型的实时推理。对模型进行了实验和基准测试，结果表明该模型在避免碰撞和轨迹模式覆盖等关键指标上优于现有方法。

Mar, 2024

我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

Jul, 2023

本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

Sep, 2018

提出了一种多模态数据下的多任务学习框架 ——BiPed，其中包括一个双向编码器以及新颖的交互建模技术，同时提高了行人轨迹和行为预测的性能达到最新水平。

Dec, 2020

本研究提出了一种新颖的多模态预测算法，采用混合学习架构来分析环境的视觉特征和场景动态，预测行人的未来横穿行为，并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估，取得了最先进的表现。

Nov, 2020

本研究评估步行者轨迹预测领域的最新技术，并与自动驾驶车辆中的常速模型（CVM）进行比较。使用 ETH/UCY 数据集进行评估，报告了平均位移误差（ADE）和最终位移误差（FDE）。根据真实世界应用的要求，对最初提出的模型的输入特征进行了修改，通过消融研究来研究观察到的运动历史对预测性能的影响，从而更好地理解其影响。此外，还测量了每个模型的推理时间，以评估在面对不同数量的代理时每个模型的可扩展性。结果表明，在生成单一轨迹时，简单模型仍然具有竞争力，某些被普遍认为有用的特征对不同架构的整体性能几乎没有影响。基于这些发现，提出了建议，以指导未来轨迹预测算法的发展。

Aug, 2023

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

提出了一种新的模型，该模型利用场景识别、长期预测和不确定性建模技术，可以精确地预测高度动态人群场景中的 1 秒内的自行车轨迹，结果表明该方法可以提高人群轨迹预测的准确性。

Nov, 2017

我们提出了一个新的基准测试方法 CRITERIA，它根据道路结构、模型性能和数据特性提取了不同层次的驾驶场景，使用一组新的无偏度指标来衡量多样性和可接受性，并通过大规模 Argoverse 数据集的实验表明该基准测试可以更准确地排名模型并描述它们的行为。

Oct, 2023

该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

Jan, 2024