本文提出了一种先进的驾驶辅助系统，通过使用相机和计算设备，捕捉车辆内外的驾驶环境并使用自回归输入-输出 HMM 模型来预测驾驶员的驾驶操作，实现在真实环境下3.5秒内实时预测驾驶操作，达到 F1 得分超过80%。

Apr, 2015

本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。

Oct, 2022

本研究旨在评估几种常见基线以及两种环境感知模型在自动驾驶中进行准确且稳健的车道预测的表现，结果发现训练过程中加入与实际部署场景相似的扰动可以有效减少性能下降，但仍无法保证对未知的干扰具有鲁棒性，甚至有时降低输入噪声反而有助于提高预测准确性。

Apr, 2023

论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。

Jun, 2023

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

本文综述了自动驾驶车辆(AD)的轨迹预测方法, 重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在AD轨迹预测方面做出了重要贡献。

Jul, 2023

自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而，这种方法虽然考虑到了周围交通对自车的影响，却未能预测交通参与者对自车行为的反应。最近的研究表明，将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面，综合了集成的不同方面，并将它们相互关联。此外，我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势，我们确定了未来研究的有希望的方向。

Aug, 2023

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

该研究引入了一种新颖的动态占用集（DOS）预测方法，将先进的轨迹预测网络与DOS预测模块相结合，提供了一个全面且适应性强的框架，用于预测交通参与者的潜在占用集，进而增强了复杂环境中的车辆轨迹预测能力。

Feb, 2024

该研究提出了一种针对安全关键场景的风险感知轨迹预测框架，通过引入风险信息和预测优先级，以及实施辅助风险预测任务，实现了在安全关键场景下执行正确的碰撞回避操纵，从而提高道路交通安全。

Jul, 2024