提出了一种语义感知互动运动预测方法（SIMF），该方法能够捕捉场景中的语义信息，优选相关代理以进行运动预测，并显示出优于现有技术的表现。

Jun, 2023

本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

Jul, 2020

本文提出了一种概率框架，能够在任何驾驶场景下联合预测多个交通参与者的连续运动，并能够预测每个交互的持续时间，以提高预测性能和效率。该框架包含两个层次模块：上层模块预测预测车辆的意图，下层模块预测与其交互的场景中其他实体的运动，为自主车辆的决策制定和运动规划提供支持。

Oct, 2018

本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

Apr, 2020

SMART 是一种新的自主驾驶运动生成范例，通过将矢量地图和代理轨迹数据建模为离散序列记号，并通过仅有解码器的 Transformer 架构处理这些记号，从而实现在实际驾驶场景中学习运动分布的性能。

May, 2024

该研究论文提出了一种针对自动驾驶车辆的简单高效动作预测基准（SIMPL），通过采用紧凑高效的全局特征融合模块和连续轨迹参数化方法，实现对所有相关交通参与者的实时准确运动预测，并在与其他最先进方法的 Argoverse 1 和 2 运动预测基准测试中表现出很高竞争力，同时具有轻量级设计和低推理延迟，适合在实际环境中部署。

Feb, 2024

我们提出了一种基于 Argoverse 的有效基准线方法，旨在利用用于 Motion Prediction 的最新技术，包括注意力机制和 GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他 SOTA 方法相当的准确性。

Sep, 2023

本文研究车辆轨迹预测在自动驾驶汽车中的应用，提出一种对抗性场景生成方法来测试最先进的方法对不同城市场景的普适性，并开发了一种基于场景原子生成功能和物理约束的简单有效生成模型，通过修改生成的场景，使现有模型的错误率降低 30-40％。

Dec, 2021

本文介绍了 AdvSim，这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架，通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。

Jan, 2021

我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

Aug, 2018