- CVPR有多少观测数据足够？用知识蒸馏进行轨迹预测
通过知识蒸馏并只使用两个观测值，实现在人流量较大的场景下，准确预估未来的人类位置，并在常见轨迹预测数据集上证明其比其他模型更具实用性。
- 多智能体轨迹预测中的协作不确定性
提出了一种基于协作不确定性的框架来预测未来轨迹和相应的不确定性，该框架被整合为插件模块到了现有的最先进系统，并在两个数据集上进行了实验，结果表明，该框架有助于提高预测性能。
- 融合类别不确定性的异质代理轨迹预测
通过引入代理分类概率，提高了轨迹预测的性能和新的预测能力。
- ICCVSocial NCE: 社交感知运动表征的对比学习
本研究采用自我监督技术，构造负样本来改进神经网络学习的运动表示，在多智能体问题中有效预测人体运动和机器人导航，该方法能够在轨迹预测、行为克隆和强化学习算法中显著降低碰撞率，优于现有方法。
- 从目标、路径点和路径到长期人类轨迹预测
该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测 - ICCV基于似然的轨迹预测多样性采样
本文提出了一种基于概率建模的多模式数学预测的新方法：Likelihood-Based Diverse Sampling（LDS），通过使用预训练的流模型和优化目标函数以提高轨迹样本的质量和多样性，可以明显提高模型预测的准确性和数据生成的有效 - 探索多路径轨迹预测的动态上下文
本文提出了一种名为 Dynamic Context Encoder Network (DCENet) 的新型框架，用于探索交通场景中代理之间的空间和时间上下文信息，从而提高未来位置的预测准确性，实现更安全的自主驾驶系统。DCENet 在多个 - 变形金刚网络用于轨迹预测
本文研究了采用 Transformer Networks 进行轨迹预测，提出了简单模型每个人单独建模的方法，发现使用 Transformers 可以处理现实传感器数据中缺失的观测值，并在轨迹预测基准测试上取得了最好的分数。
- ECCV通过多模态上下文理解实现多样和可接受的轨迹预测
本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。
- ECCVTrajectron++：具动态可行性的混合数据轨迹预测
Trajectron++ 是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性 - 基于网格化规划条件下未知环境下的轨迹预测
本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法，以提高对未知环境下行人和车辆运动轨迹的准确性和多样性，同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验 - 训练深度时间序列预测模型时的 形状与时间畸变损失
本文提出一种针对非平稳信号和多个未来时间步长预测的时间序列预测方法 DILATE，改进了深度神经网络训练的目标函数，支持精确形状和时间变化检测，并提供了用于加速优化的自定义反向传播实现，证明了 DILATE 相较于标准的均方误差 (MSE) - ICLR利用行列式点过程实现多样的轨迹预测
本文介绍了一种使用 DPP 技术优化轨迹样本集合并实现预测多样性的方法，通过生成多种可能性来确保安全，特别是在自动驾驶等关键领域。
- NIPS回到起点：简单的概率轨迹预测
本研究提出了一种基于时空卷积神经网络模型，用于从视觉信息中进行轨迹预测。应用于自回归方式，提供给定初始轨迹部分的连续显式概率分布。我们使用 MNISTseq 和 Stanford Drones 两个标准数据集进行实验，并与现有方法作了比较， - 面向时空序列预测的机器学习：综述
通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。
- CVPRMX-LSTM：混合运动短片和视觉元素以联合预测轨迹和头部姿势
本文提出了一个新的轨迹预测框架 MX-LSTM，它利用 vislets 和 LSTM 预测未来的行人位置和头部姿势，相比之前的方法效果有了显著提升，在 Zara01、Zara02、UCY 和 TownCentre 四个数据集上均取得了最佳表 - CAR-Net: 明视注意力循环网络
提出了利用空间导航环境和行为之间的依赖关系进行路径预测的可解释框架，利用 Clairvoyant Attentive Recurrent Network（CAR-Net）解决路径预测任务，并成功地应用于 Formula One 赛道、Sta - ICCV基于在线逆强化学习的第一人称活动预测
该研究论文探讨了一种增量建模和预测第一人称摄像机佩戴者的长期目标的算法，名为 DARKO，通过在线逆强化学习的方法从流数据中学习和预测用户的日常行为，研究结果表明 DARKO 算法在嘈杂和理想的环境下都能更好地预测目标，具有理论和实证上的无 - 拥挤复杂场景中社交导航预测
本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互