提出了 Occupancy Flow Fields，这是一种新的用于自动驾驶的运动预测表示方法。该方法使用深度学习架构生成 Occupancy Flow Fields，并引入了一个新的流跟踪损失来建立占用和流动预测之间的一致性，其可在占用预测、运动估计和代理重构等三个指标上证明其有效性。新方法成功地缓解了现有的两种常用运动预测表示方法轨迹集和占用格之间的局限性。此外，该文章提出了一个新问题，即如何预测具有推测性的代理并在大规模自动驾驶数据集和公共 INTERACTION 数据集上展示了优于现有技术的结果。

Mar, 2022

自动驾驶车辆的感知和未来预测需要用一个神经网络隐式地表示一定时间内的占用情况和流动性，以及通过使用有效的全局注意机制来克服先前显式占用预测方法的有限接受域的问题。

Aug, 2023

本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶，其中有复杂的上下文因素，例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合，并利用长短期记忆（LSTM）网络使用其序列历史观测来预测车辆的驾驶策略，并以此来指导低层基于优化的背景推理过程。最终输出的两级推理过程是一条连续的轨迹，能够自动适应不同的交通配置并准确地预测未来的车辆运动。

Mar, 2019

通过引入一种名为 OFMPNet 的深度编码器 - 解码器模型，利用占据图和场景的运动流来预测环境中所有动态对象的未来行为，并提出了一种新颖的时间加权运动流损失，进一步降低终点误差。该方法在 Waymo Occupancy and Flow Prediction 基准测试中取得了最先进的结果，Flow-Grounded Occupancy 的软 IoU 为 52.1％，AUC 为 76.75％。

Apr, 2024

通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

Feb, 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

本文提出了一种新的预测模型 LaPred，利用语义地图中提取的车道实例来预测多模态的未来轨迹，通过自监督学习任务识别可能由目标车辆跟随的车道实例，并产生比基于 2D 光栅图像的方法更好地符合周围环境的轨迹，实验表明该模型在公共 nuScenes 数据集和 Argoverse 数据集上显著优于现有的预测模型，达到了基准测试的最新性能。

Apr, 2021

我们提出了一种新颖的 Future Feedback Interaction Network (FFINet) 来预测交通环境中的未来合理运动轨迹，该模型结合了历史交互和未来交互信息进行特征聚合和预测，取得了 Argoverse 1 和 Argoverse 2 运动预测基准测试中最新的性能。

Nov, 2023

本文提出了一种新的占据流场预测算法，该算法将图像编码器和向量编码器的特征进行融合以生成更准确的占据和流量预测，该算法在 Waymo Open Dataset Occupancy and Flow Prediction Challenge 中排名第三，在遮挡情况下具有最佳的占据和流量预测表现。

Aug, 2022

本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

Jul, 2020