- 一个多阶段目标驱动网络用于行人轨迹预测
该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD - 通过能量平面去噪处理的多模态随机轨迹预测中建模行人内在不确定性
基于能量规划去噪模型的随机轨迹预测，不仅有效降低了对迭代步骤的依赖，同时提高了效率，并通过建模轨迹分布而非单个轨迹，从而充分考虑行人的内在不确定性，避免了多次去噪操作，实现了目前最先进的预测结果。
- CVPR语言能否战胜数值回归？基于语言的多模态轨迹预测
通过将轨迹预测任务转化为一种问答问题，本研究提出了基于语言和多模态的轨迹预测模型（LMTraj），该模型利用语言模型来理解和生成高水平知识，通过数值标记器和问答提示进行训练，证明了它在行人轨迹预测中的强大性能。
- LG-Traj: LLM 指导的行人轨迹预测
通过引入 Large Language Models (LLMs)，本研究探究了使用 LLMs 改进行人轨迹预测任务的可能性，通过诱导运动线索生成物体过去 / 观察到的轨迹中的运动线索，并利用混合高斯聚类未来轨迹中的运动线索。我们的方法采用 - 广义行人轨迹预测的循环对齐网络
通过使用循环对齐方法以及社交互动，我们提出了一个适用于各种未知领域的泛化行人轨迹预测模型，并在实验中展示出了其卓越的普适能力。
- GoalNet: 面向目标区域的行人轨迹预测
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。
- AAAISocialCVAE: 通过交互条件化潜变量预测行人轨迹
本文提出了一种应用社交条件变分自动编码器（SocialCVAE）来预测行人轨迹的方法，该方法利用条件变分自动编码器（CVAE）来探索人类运动决策中的行为不确定性，通过使用基于能量的相互作用模型生成交互能量图，提高了行人轨迹预测的准确性。
- AMEND: 长尾轨迹预测的专家混合框架
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。
- GSGFormer: 多模态行人轨迹生成式社交图变换
GSGFormer 是一个创新的生成模型，能够考虑复杂的相互作用并提供大量潜在的行为模式来预测行人的轨迹。通过采用异构图神经网络捕捉行人、语义地图和潜在目的地之间的相互作用，以及使用 Transformer 模块提取时间特征和采用 CVAE - 稀疏行人特征学习用于轨迹预测
用于行人轨迹预测的两流稀疏特征网络（TSNet）通过学习去除负向特征的行人角色信息流来提高轨迹嵌入，进而实现了超过现有最先进方法的性能。
- GBD-TS：基于树采样算法的目标导向行人轨迹预测与扩散
使用 GBD-TS 方法，基于扩散网络和目标预测，预测行人的多模态轨迹，并通过通用特征的树采样算法大幅减少推理时间，实现了实时推断并取得了最先进的性能。
- 极化碰撞网格：使用碰撞检查在共享空间中有效建模行人轨迹预测
在共享空间中，预测行人轨迹对于自动驾驶车辆的安全导航至关重要。我们提出了一种基于启发式的选择相互作用代理的过程，通过计算碰撞风险，使用时间间隔和接近方向角来编码交互效果，并引入了新的极坐标碰撞格网图。实验结果表明，与现有方法相比，我们的方法 - 行人 - 车辆混合环境中的行人轨迹预测：一项系统综述
自主车辆与行人共享空间时，规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法，研究了与行人 - 车辆交互作用相关的特定考虑因素，并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差 - 自动驾驶中行人轨迹预测方法的评估
本研究评估步行者轨迹预测领域的最新技术，并与自动驾驶车辆中的常速模型（CVM）进行比较。使用 ETH/UCY 数据集进行评估，报告了平均位移误差（ADE）和最终位移误差（FDE）。根据真实世界应用的要求，对最初提出的模型的输入特征进行了修改 - ICML利用行为特征进行车载行人轨迹预测
本文提出了一种行人轨迹预测的新方法，称为 BA-PTP，利用行人的行为特征，通过摄像头上获取的视觉观察进行预测。通过融合不同的输入流和注意机制，产生最终的嵌入表达，用于预测图像中的未来边界框。在两个行人行为预测数据集的实验中，论文展示了利用 - 分析 PECNet 的鲁棒性
本文介绍了用于自动驾驶车辆的行人轨迹预测系统 PECNet 的全面健壮性分析，使用从牛顿力学到基于深度强化学习的模拟的合成数据增强技术来提高和测试系统，提出了一种新的度量标准来进行数据集分析和分类，并在采用 SIRENs 的新体系结构的情况 - ECCV多模态轨迹预测中行人群体表示学习
本文介绍了一种新颖的架构，称为 GP 图，它具有有效的集体群表示法来预测拥挤环境下人行路径，同时兼容所有现有方法。GP-Graph 模型了解了个体和群体之间的关系，通过图形表示来表征它们，为个人之间的关系和一组之间的关系建立了图形交互，并在 - CVPR基于图形的空间变换器与记忆重放的多未来行人轨迹预测
本文提出了一种基于多尺度图形空间变换和记忆重现的轨迹平滑算法模型，可以在预测单一和多个未来路径的同时，综合利用空间信息并修正时间不一致的轨迹，同时还提出了一个新的评估指标来评估多轨迹预测的全面性。
- CVPR通过运动不确定性扩散进行随机轨迹预测
本研究提出了一种基于马尔科夫链和 Transformer 的运动不确定性扩散逆向建模框架，通过逐步放弃不可行走区域的不确定性直至到达期望轨迹，用于解决行人轨迹预测中的多模态问题，并取得了在 Stanford Drone 和 ETH/UCY - CVPR基于非概率抽样网络的随机人体轨迹预测
研究了随机方法在预测行人轨迹中存在的偏差问题，并提出了 Quasi-Monte Carlo 方法以及 Non-Probability Sampling Network 作为改进方案，通过实验验证了该方案可以显著提高行人轨迹预测的准确性和可靠