这篇论文介绍了一种人类似的轨迹预测模型（HLTP 模型），它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架，这种方法可以在动态环境中动态适应变化的驾驶场景，提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能，特别是在数据不完整的具有挑战性的环境中。

Feb, 2024

本文介绍了一种新颖的在线时空图轨迹规划器，用于生成安全且舒适的轨迹。通过构建时空图，并进一步传递给顺序网络，该规划器能够生成符合安全与舒适要求的状态。此外，还提出了一个简单的行为层用于确定轨迹规划器的动力学约束，并提出了一种新颖的潜力函数来训练网络。通过对比其效果与两种常用方法，测试了该规划器在三种不同的复杂驾驶任务下的性能，结果表明该规划器能够生成安全、可行性高的轨迹，并在前进方向上达到相似或更远的距离，提供了可比较的舒适性乘车体验。

Apr, 2024

自动驾驶系统在复杂驾驶环境中导航是困难的，该论文提出了一种增强的运动规划方法，利用周围人类驾驶车辆的驾驶行为和长期轨迹来改善自动驾驶系统的驾驶安全性。

Aug, 2023

本文介绍了一种基于空间交互转化器 (SIT) 的生成方法，该方法通过注意机制学习行人轨迹的时空相关性，并引入条件变分自动编码器 (CVAE) 框架对行人的未来潜在运动状态进行建模。大规模交通数据集 nuScenes 上的实验结果表明，SIT 的性能优于最先进的方法，并在具有挑战性的 ETH 和 UCY 数据集上得到了验证。

Dec, 2021

本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

May, 2023

提出了一种基于 HATN 的分层框架，通过模仿人类在驾驶中的认知模型和语义理解生成高质量、可转移和适应性 strong > 预测，在真实交通数据中展示了其在准确性、可转移性和适应性方面明显优于其他方法的优势，并强调将来应重点关注可转移性和适应性。

Feb, 2022

提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

Jun, 2024

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

这篇论文介绍了一种适用于自主驾驶的轨迹预测模型，重点是在动态交通场景中捕捉复杂的交互作用，而无需依赖高清地图。该模型被称为 MFTraj，利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分，一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征，保留了空间 - 时间的复杂性。通过线性注意机制的增强，该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性，在数据有限的场景下，甚至无需额外信息（如高清地图或矢量化地图），也能胜过许多基准模型。重要的是，即使在存在大量缺失数据的情况下，其性能与大多数现有的最先进模型相当。结果和方法表明，在自主驾驶轨迹预测方面取得了显著进步，为更安全、更高效的自主系统铺平了道路。

May, 2024

我们提出了一个基于自适应压力测试方法的新框架，用于系统地探索可能导致安全问题的角落案例，以提高自动驾驶汽车的安全性和可靠性。

Feb, 2024