WildGEN: 野生动物的长期轨迹生成
研究了利用一小组真实样本生成类似野生动物迁徙的长期轨迹的问题，提出了一种分层方法来学习真实数据集的全局运动特征并递归改进本地化区域，通过使用 H3 区域的原型网络和经验变分自编码器基于占用概率，我们的解决方案 WildGraph 成功地生成了具有现实感的长达数月的轨迹。在两个野生动物迁徙数据集上进行的实验表明，与现有工作相比，我们提出的方法在生成轨迹的泛化能力上取得了改进，同时在几项基准指标上实现了更高或相当的性能。
Apr, 2024
本文提出了一种名为 TS-TrajGen 的新颖的两级生成对抗框架，它有效地将人类移动性问题的先前领域知识与无模型学习范例相结合，用于生成道路网络上的连续轨迹，并通过两个真实世界数据集和两个案例研究验证了该方法的有效性。
Jan, 2023
通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。
Apr, 2024
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
通过提出地理感知的生成模型 MobilityGPT，该研究利用生成预训练变压器（GPT）将人类移动性建模为一个自回归生成任务，并采用基于引力的抽样方法和道路连接矩阵来确保生成的轨迹符合地理空间限制，在减轻挑战的同时生成高质量、接近真实数据的移动轨迹。
Feb, 2024
本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。
Mar, 2022
整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。
Sep, 2023
通过个体轨迹数据进行个体和集体行为分析的创新通用方法，用于研究法国渔船的海洋生物多样性保护和生态系统为基础的渔业管理，通过卷积神经网络构建轨迹的低维潜在表示，并使用 Bhattacharyya 系数比较轨迹的潜在分布，以及使用接近性图和扩展的随机块模型对多个网络进行个体聚类。
Dec, 2023
本文提出了一种基于时间的变分自编码器的人行道预测方法，该方法结合了社交关注机制和向后后验近似，能够更好地提取行人导航策略，实现了在多个基准测试集上超越现有最先进性能。
Mar, 2022