本论文提出了一种具有安全意识的深度学习模型，以预测最早的占据地图，该模型可以预测大部分情况下的未知车辆，并且在安全感知运动预测任务上，显著优于现有基准。

Sep, 2021

本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。

Oct, 2022

本文提出了基于生存分析考虑的概率情况风险模型，并将其扩展到自然地结合感性、时间和行为不确定性的真实场景。结果风险点检测器 (RSD) 应用于真实驾驶数据, 显示了路面重要性地图, 相较于 Time Headway (TH) 和 Time-To-Contact (TTC), 我们的方法在预测风险方面更具有选择性和特异性。

Mar, 2023

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

论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。

Jun, 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

通过使用车内和外部摄像头数据，本研究提出了一种新的方法来改善对未来驾驶动作的预测性能，通过明确提取外部摄像头数据中的对象和道路级特征，我们的模型能够更准确地提前预测驾驶员意图，并提高道路安全性。

Dec, 2023

智能驾驶系统旨在实现零碰撞移动体验，本研究侧重于风险识别，即识别和分析源自动态交通参与者和意外事件的风险。我们引入了RiskBench，一个基于情景的大规模风险识别基准，通过设计情景分类法和增强管道，系统收集多样情景下的风险的真实数据。通过评估十种算法在检测和定位风险、预见风险以及促进决策方面的能力，我们进行了广泛的实验并总结了风险识别方面的未来研究，旨在鼓励合作努力实现零碰撞的社会。我们已在项目页面上公开了数据集和基准工具包。

Dec, 2023

通过多次实验，我们使用先进的风险基础预测轨迹规划器对预测范围最长为20秒进行了模拟，以安全性、舒适性和效率为重点研究自动驾驶车辆的性能。我们的研究指出，为了防止与行人相撞，需要1.6秒的预测范围，7-8秒的预测范围可以实现最佳效率，而15秒的预测范围可以提高乘客的舒适度。我们得出的结论是，预测范围的要求是应用相关的，并建议在涉及与行人相撞的应用中，以11.8秒的预测范围作为一般指导。

Feb, 2024

为了在人类在复杂多样的环境中操作，自主机器人必须学会预测行为，尤其是当该行为对其他机体或机器人具有潜在危险时。通过分析常见高风险交互中的位置和速度，我们提出一种在训练中使用的方法，以改进在高风险情况下的预测，从而降低事故的风险。通过基于位置和速度的重新加权技术，我们在最可能的FDE和KDE衡量指标上实现了整体性能的提高，以及在高速车辆和高风险位置内的车辆上的表现的改善。

Jul, 2024