本文提出了一种称为 STARS 的新颖方法，利用确定性可学习的组件（锚点）来提高样本精度和多样性，在不同运动预测器中应用。同时，还提出了一种新的作用增强的空间 - 时间图卷积网络（IE-STGCN），并将锚点集成到其中，以提高对人类运动建模的效果。实验结果表明，该方法在随机和确定性预测方面均优于现有技术水平，是建模人体运动的统一框架。

Feb, 2023

提出一种新颖的面向智能驾驶系统中的多模态运动预测的代理中心模型，并结合锚定地标、融合多样化提案的方法，实现了未来轨迹的精准预测，网络结构均相并且简明，可靠且高效。实验证明，该代理中心无论从预测精度还是从情境级别推断延迟方面均优于当前最先进的方法。

Mar, 2023

该研究提出了一种新颖的结构感知运动建模方法，即可变形锚定模型 (DAM)，用于无监督学习，通过引入运动锚定和潜在根锚定，自动发现任意对象的运动结构并进行运动传递，实现了优于现有最先进方法的性能。

Apr, 2022

多视角 3D 目标检测是自动驾驶系统的重要组成部分，本文提出了一种名为 MDHA 的稀疏查询框架，使用多视角、多尺度输入构建自适应的 3D 输出提案，通过混合锚点的方式来解决数据集特定初始化和计算效率问题，并成功优于现有基线方法。

Jun, 2024

以未来状态序列锚点为基础，为多模式轨迹概率分布预测提供了一个有效的解决方案。

Oct, 2019

在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

Mar, 2024

提出了一种创新的 Anchor-aware Deep Metric Learning (AADML) 方法，通过揭示现有数据点之间的潜在相关性来提高共享嵌入空间的质量，并在两个音频 - 视觉基准数据集上的广泛实验证明了该方法的有效性，显著超过了 state-of-the-art 模型。

Apr, 2024

本文提出了一种基于锚点的变形模型 AnchorDEF，利用非线性位移和混合刚性变换来预测身体运动状态下的三维服装动画，通过锚点来指导刚性变换矩阵的学习，并采用自适应锚点更新来优化锚点位置，从而实现更好的三维服装变形预测性能。

Apr, 2023

我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。

May, 2024

本文提出了一种基于跨模态嵌入框架的自动驾驶预测交通代理未来轨迹的方法，利用多种输入模式和相关传感器来预测未来轨迹，具有较好的预测效果。

Apr, 2020