利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

May, 2020

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

提出了一种新的递归生成模型，通过使用双重基于注意力的图神经网络，考虑单个代理未来的目标和不同代理之间的交互以及集成他们之间的相互影响信息，实现对人类行为多模式的更好预测，并在城市和运动场景中取得了最新的研究成果。

May, 2020

提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020

自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

May, 2024

基于 Hedge Propagation 算法的启发，我们提出了 Expert Attention Network，它是一种完整的在线学习框架，用于轨迹预测。我们引入了专家注意力机制，通过调整不同深度网络层的权重，避免了由于梯度问题导致模型更新缓慢，使其能够快速学习新场景的知识以恢复预测精度。此外，我们提出了一种对场景变化敏感的短期运动趋势核函数，使得模型能够快速响应。实验结果表明，传统方法存在梯度问题，而我们的方法可以快速减小预测误差并达到最先进的预测准确性。

Sep, 2023

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023

本文提出了一种新的基于多头注意力的车辆运动预测方法，它能够通过多模态概率密度函数的序列来对道路场景中的所有车辆进行联合预测，不需要机动定义，并且不使用空间网格来表示场景，这使得它比类似模型更加灵活，同时具有交互式联合预测、不确定性估计和多模态性的所有预测能力，结果表明该模型的预测准确率优于同一数据集上的现有模型

Oct, 2019

提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

May, 2017