本文提出了一种未来增强的对比学习框架以处理轨迹预测中的长尾现象，该框架可以识别长尾数据中的轨迹模式并形成具有分离模式聚类的特征空间。此外，本文引入了一种分布感知的超级预测器以更好地利用形成的特征空间，实验结果显示本方法在 ADE 和 FDE 上分别比现有最先进的长尾预测方法高出 9.5% 和 8.5% ，同时保持或稍微提高了平均性能。

Mar, 2023

通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

Feb, 2024

本文研究车辆自主驾驶等人机交互场景下，预测第一视角的跟随摄像头采集到的行人轨迹，提出一种基于行人行为的对比学习损失、采样策略，辅以 CVAE 生成附加样本，将该对比框架与轨迹预测模型集成可显著提高模型预测效果，在多个基准测试中超过当前最先进的方法。

Jul, 2022

本篇论文提出了一种轨迹规划器，使用深度学习技术建立预测模型，通过集成网络结构来估计模型不确定性，并设计轨迹规划器以考虑出现的最坏情况，从而可以提高自动驾驶在现实世界中长尾数据分布情况下的安全性和可靠性。

Jul, 2022

提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

Jul, 2023

本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构，并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法，并且适应性强。

Mar, 2020

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

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

基于变压器模型的模拟研究进行了转移学习技术的研究，旨在为在现实世界中实现有效的转移提供性能与计算时间之间可能的权衡的见解。

Apr, 2024

基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

Dec, 2023