本文提出了两种新方法解决轨迹预测中的多模态输出和应用驾驶知识加以约束的问题，并且提出了一种名为ALAN的轨迹预测框架，通过超列描述符捕捉交互，并将栅格化图像和每个代理车道锚点的场景信息纳入预测过程中。实验证明，本文提出的DAC方法和ALAN框架在轨迹预测性能上优于传统方法。

Apr, 2021

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

本论文基于可配置、灵活、高性能的代码库，提出了一种挑战性的自动驾驶通用强化学习基准测试方法，该方法使用随机化场景生成器的目录，包括多种不同的道路布局和交通变化机制、不同的数值和视觉观察类型、不同的动作空间、多种车辆模型等。该基准测试旨在鼓励研究人员提出能够成功地推广到各种场景的解决方案，目前的 RL 方法在这项任务中失败。

Jul, 2022

我们提出了一种基于Argoverse的有效基准线方法，旨在利用用于Motion Prediction的最新技术，包括注意力机制和GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他SOTA方法相当的准确性。

Sep, 2023

在有限的数据可用性下，我们提出了利用高精度地图和轨迹的图表示以及预训练策略相结合的方法来学习通用的轨迹预测表示，进而对轨迹预测模型进行改进，从而在数据扩展和预训练策略方面取得了显著的效果。

Sep, 2023

我们提出了一个新的基准测试方法CRITERIA，它根据道路结构、模型性能和数据特性提取了不同层次的驾驶场景，使用一组新的无偏度指标来衡量多样性和可接受性，并通过大规模Argoverse数据集的实验表明该基准测试可以更准确地排名模型并描述它们的行为。

Oct, 2023

机器学习模型在非独立同分布的数据分布下表现出可疑的风险，因此需要发展算法来评估和改善模型的泛化能力以及处理分布变化的能力。本文综述了现有的非独立同分布泛化评估的研究，将其划分为三个范式：非独立同分布性能测试、非独立同分布性能预测和非独立同分布内在特性表征，并简要讨论了预训练模型的非独立同分布评价。最后，提出了未来研究的几个有前景的方向。

Mar, 2024

高速场景下，通过考虑历史特征、与周围实体的交互以及内在意图和不确定性，本研究提供了一种去噪端点分布模型来进行轨迹预测，该模型通过聚焦于实体的端点而不是整个轨迹，显著降低模型复杂性，提高性能，为高速场景下轨迹预测的进一步发展打下基础。

May, 2024

探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究，提出了在主动学习框架中的轨迹状态聚类和采样方法，旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择，在训练数据中促进多样性，证明了方法在轨迹预测任务中的有效性，使用nuScenes数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升，甚至在仅使用50%的数据成本下达到次基线位移误差。结果表明，在解决“冷启动问题”方面，最初采样典型数据有助于，而随着训练池大小的增加，引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习，证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。

May, 2024

通过集成深度学习和基于规则的预测专家，提出了一种新的框架——自适应预测集成（APE），用于解决自动驾驶中的轨迹预测模型在分布外场景中的泛化问题，并在大规模数据集上进行实验证明其对数据集的零样本泛化能力得到了改进，特别在长期预测和有大量分布外数据的场景中优于单个预测模型和其他变种，突显了混合方法在自动驾驶中具有鲁棒性和泛化性的潜力。

Jul, 2024