通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

Mar, 2024

提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法，该方法使用概率分布对交互模式进行建模，从而在长期预测基准测试中达到了最先进的性能。

May, 2023

本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

Dec, 2019

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

本论文提出了一种通用结构来解决如交通预测、行人跟踪、路径规划等多智体场景轨迹预测的挑战，该结构采用惯性、相对运动、意图、互动等模式来模拟运动的归纳偏差，灵活地模拟不同环境中多智体之间的相互作用，并且通过一个新的关注机制实现连续值（模糊）决策的对话模拟，取得了比现有前沿预测模型在人群运动轨迹、美国高速公路交通、NBA 运动数据和物理数据集等不同领域中的显著性能提升，同时提出了一些消融和增益方案来理解该模型的决策过程和性能提高的原因。

Oct, 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

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018

本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

Apr, 2021

本文介绍并对比三种多机器人交互预测算法，包括使用直观的定性表示，纳入静态和动态上下文，采用输入和时间注意力机制，基于状态 - of-the-art 深度神经网络，利用数据驱动的预测方法和 QTC 空间交互进行运动预测。实验结果表明，纯数据驱动的预测方法通常优于其他两种方法，并进一步评估其泛化能力。

Jun, 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