Attention-based Recurrent Neural Network for Urban Vehicle Trajectory Prediction
Korea Advanced Institute of Science and Technology（韩国科学技术院）；The University of Queensland（昆士兰大学）
随着各种定位设备和基于位置的服务的不断部署，大量的空间和时间信息被收集和积累为轨迹数据。在众多应用中，基于概率的位置预测由于其在多个领域中提高许多应用的性能的潜力而获得越来越多的关注。研究了基于城市交通网络中车辆轨迹数据的轨迹序列预测方法。针对已有的循环神经网络（RNN）模型，提出了一种改进的基于注意力的循环神经网络（ARNN）模型，用于城市车辆轨迹预测。将注意力机制引入到城市车辆轨迹预测中，以解释网络级交通状态信息的影响。该模型使用在澳大利亚布里斯班收集的私人车辆的蓝牙数据进行评估，其中5个指标被广泛用于序列建模。与现有的RNN模型相比，所提出的ARNN模型显示出显着的性能改善，不仅考虑了要访问的小区，而且还考虑了小区序列的对齐。
2019-12-04 cs.AI cs.LG
Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models
Technische Hochschule Ingolstadt（英戈尔施塔特应用科学大学）；Audi AG（奥迪股份公司）；Technische Hochschule Augsburg（奥格斯堡应用科学大学）；Technische Universität München（慕尼黑工业大学）
本文提出条件车辆运动扩散（cVMD）模型，结合非完整运动与物理约束及不确定性量化，在highD数据集上实现可靠且可驾驶的高速公路轨迹预测。
2024-05-23 cs.AI cs.LG
Risk-Informed Diffusion Transformer for Long-Tail Trajectory Prediction in the Crash Scenario
Southeast University（东南大学）；Monash University（莫纳什大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对自动驾驶轨迹预测中的长尾问题，提出风险知情扩散Transformer（RI-DiT）方法，整合基于图的风险信息、ITTC和交通流特征，在真实碰撞场景中更准确地预测长尾轨迹并提升系统安全性。
2025-05-28 cs.AI cs.LG
Large Trajectory Models are Scalable Motion Predictors and Planners
Shanghai Qi Zhi Institute（上海期智研究院）；Fudan University（复旦大学）；Pegasus Tech（飞马科技）；Tsinghua University（清华大学）；Shanghai Jiaotong University（上海交通大学）
本文提出 State Transformer（STR），将运动预测与规划统一为序列建模任务，并证明大型轨迹模型遵循扩展定律，可在分布外场景中实现合理预测和长期规划推理。
2024-02-28 cs.AI cs.CV cs.RO
HeLoFusion: An Efficient and Scalable Encoder for Modeling Heterogeneous and Multi-Scale Interactions in Trajectory Prediction
Wangxuan Institute of Computer Technology（王轩计算机技术研究所）；Peking University（北京大学）
HeLoFusion通过构建局部多尺度图和类型特定特征网络，高效建模异构和多尺度交互，实现轨迹预测的先进性能。
2025-12-10 cs.AI
Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
针对现有轨迹预测方法受限于预设数据流形导致预测简化的问题，提出自监督航点噪声预测方法SSWNP，通过构建双视图并引入噪声预测辅助任务，在多个数据集上显著提升了轨迹预测性能。
2023-11-26 cs.AI cs.LG cs.RO
Trajectory Prediction using Equivariant Continuous Convolution
Northeastern University（东北大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
轨迹预测是许多人工智能应用的关键部分，例如自动驾驶汽车的安全操作。然而，目前的方法容易做出不一致和物理上不切实际的预测。我们利用流体动力学的见解，通过考虑现实世界中的轨迹内部对称性来克服这一限制。我们提出了一种新的模型，等变连续卷积（ECCO）改进的轨迹预测。ECCO使用旋转等变连续卷积来嵌入系统的对称性。在车辆和行人轨迹数据集上，ECCO以显著更少的参数获得了具有竞争力的精度。它也是更有效的样本，从任何方向的几个数据点自动概括。最后，ECCO通过等方差改进了泛化，从而产生了物理上更一致的预测。我们的方法为增加深度学习模型的信任和透明度提供了一个新的视角。
2021-03-17 cs.AI cs.LG cs.RO
ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning
NVIDIA Research（英伟达研究院）；Stanford University（斯坦福大学）
轨迹预测是与不受控制的代理共享环境的自主系统的关键功能，一个突出的例子是自动驾驶车辆。目前，大多数预测方法不强制场景一致性，即，在场景中的不同代理的预测轨迹之间存在大量的自冲突。此外，许多方法生成每个智能体的单独轨迹预测，而不是整个场景的联合轨迹预测，这使得下游规划变得困难。在这项工作中，我们提出了ScePT，一个基于策略规划的轨迹预测模型，生成准确的，场景一致的轨迹预测，适用于自主系统运动规划。它显式地执行场景一致性，并学习可用于条件预测的代理交互策略。在多个真实世界行人和自动驾驶车辆数据集上的实验表明，ScePT与当前最先进的预测精度相匹配，并显著提高了场景一致性。我们还展示了ScePT与下游应急计划人员合作的能力。
2022-06-18 cs.AI cs.CV cs.LG
An End-to-End Learning Approach for Trajectory Prediction in Pedestrian Zones
Institute for Management Cybernetics, Aachen, Germany（亚琛管理控制论研究所）
本文旨在探讨在异构行人区的轨迹预测问题，其中社会动态表示是一个很大的挑战。提出了一种基于注意力机制的端到端学习框架，用于从多因素输入中学习社会交互，以提高预测准确性。
2021-01-04 cs.AI cs.LG cs.RO
Sub-Goal Trees -- a Framework for Goal-Directed Trajectory Prediction and Optimization
Technion（以色列理工学院）；Osaro Inc.（Osaro公司）
在机器人和其他领域，许多人工智能问题都是目标导向的，本质上是寻找一条通往某种目标状态的轨迹。在这样的问题中，我们选择表示轨迹的方式是轨迹预测和优化算法的基础。有趣的是，大多数先前的模仿和强化学习工作都建立在顺序轨迹表示的基础上--计算轨迹中的下一个状态。我们提出了一个不同的观点：一个目标条件的轨迹可以表示为首先选择一个中间状态之间的开始和目标，分割的轨迹分为两个。然后，递归地预测每个子段上的中间点，直到获得完整的轨迹。我们将这种表示称为子目标树，并在此基础上开发了用于轨迹预测，学习和优化的新方法。我们表明，在一个监督学习设置，子目标树更好地考虑轨迹的变化，并可以预测轨迹指数更快地在测试时，利用并发计算。然后，对于优化，我们推导出一个新的子目标树的动态规划方程，并使用它来开发新的规划和强化学习算法。这些算法，这是不是基于标准的贝尔曼方程，自然占分层子目标结构的任务。运动规划领域的实验结果表明，子目标树框架显着提高了准确性和预测时间。
2019-06-12 cs.AI cs.LG stat.ML
C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction
Central South University（中南大学）；Aalborg University（奥尔堡大学）
针对自动驾驶中由动态意图和多样场景引起的轨迹不确定性问题，提出粗到细去噪框架C2F-TP，通过时空交互模块采样多模态轨迹并利用条件去噪模型逐步去噪，在NGSIM和highD数据集上验证了有效性。
2024-12-24 cs.AI cs.LG cs.RO
Laminar: A Scalable Asynchronous RL Post-Training Framework
The University of Hong Kong（香港大学）；ByteDance Seed（字节跳动种子）
针对LLM强化学习后训练中因轨迹长尾分布导致的GPU利用不足和全局同步瓶颈，提出基于轨迹级异步与完全解耦架构的Laminar系统，通过分布式参数服务和动态重打包机制，在1024-GPU集群上实现最高5.48倍吞吐量提升。
2025-10-14 cs.AI cs.DC cs.LG
Holistic Transformer: A Joint Neural Network for Trajectory Prediction and Decision-Making of Autonomous Vehicles
Jilin University（吉林大学）
轨迹预测和行为决策是自动驾驶汽车的两项重要任务，需要对环境背景有很好的理解;通过参考轨迹预测的输出，可以更好地做出行为决策。然而，大多数当前的解决方案分别执行这两个任务。因此，一个联合神经网络，结合多种线索，提出并命名为整体Transformer预测轨迹，并作出行为决策的同时。为了更好地挖掘线索之间的内在关系，该网络利用已有知识，采用了三种注意力机制：稀疏多头机制，用于降低噪声影响;特征选择稀疏机制，用于优化利用部分先验知识;与其他弹道预测模型相比，该模型具有更好的综合性能和良好的可解释性。感知噪声鲁棒性实验表明，该模型具有良好的噪声鲁棒性。因此，结合多个线索的同时轨迹预测和行为决策可以降低计算成本并增强场景和代理之间的语义关系。
2022-06-17 cs.AI cs.LG cs.RO
AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST)（工业与系统工程系，韩国科学技术院）
本文提出使用记忆增强神经网络，基于AIS数据预测船舶轨迹，在墨西哥湾和纽约湾数据集上显著优于无外部记忆的深度学习基线。
2026-06-04 cs.AI
HIGenNTO: Scalable Humanoid Interaction Generation via Noise-Space Trajectory Optimization
HIGenNTO通过优化预训练运动模型的噪声，在稀疏约束下生成可执行的人形交互运动，并支持编码智能体编写任务，实现从高层描述到物理交互的可扩展路径。
2026-09-22 cs.AI cs.RO
A Spatio-temporal Graph Network Allowing Incomplete Trajectory Input for Pedestrian Trajectory Prediction
Politecnico di Milano（米兰理工学院）
STGN-IT通过引入静态障碍物节点和改进的编码方法，提升了行人轨迹预测的准确性，尤其在处理不完整历史轨迹时表现更优。
2025-01-22 cs.AI cs.CV cs.LG
GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction
Department of Engineering and Computer Science, Syracuse University（锡拉丘兹大学工程与计算机科学系）；Syracuse University（锡拉丘兹大学）
轨迹预测是自动驾驶系统设计中的一个关键且具有挑战性的问题。许多面向人工智能的公司，如谷歌Waymo，Uber和DiDi，正在研究更准确的车辆轨迹预测算法。然而，预测性能是由很多纠缠的因素，如周围车辆的随机行为，历史信息的自我轨迹，和相对位置的邻居，在本文中，我们提出了一种新的基于图的信息共享网络（GISNet），允许目标车辆和周围车辆之间的信息共享。同时，该模型对场景中所有车辆的历史轨迹信息进行编码。在公开的NGSIM US-101和I-80数据集上进行了实验，并通过均方根误差（RMSE）来衡量预测性能。定量和定性的实验结果表明，我们的模型显着提高了轨迹预测精度，高达50.00%，相比现有的模型。
2020-03-22 cs.AI cs.CV cs.LG
Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data
Networked Systems Lab, Universidad Miguel Hernandez de Elche（网络系统实验室，米格尔·洪德斯大学）
研究基于Transformer的交互感知轨迹预测模型在噪声数据下的性能退化，发现预测精度在低噪声下降低1.3倍，高噪声下降低3.9倍，强调需要更真实的训练数据和噪声缓解策略。
2026-06-23 cs.AI cs.LG cs.RO
AdvDO: Realistic Adversarial Attacks for Trajectory Prediction
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；NVIDIA（英伟达）；California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）
轨迹预测对于自动驾驶汽车（AV）规划正确和安全的驾驶行为至关重要。虽然许多先前的工作旨在实现更高的预测精度，但很少有人研究其方法的对抗鲁棒性。为了弥补这一差距，我们建议研究数据驱动的轨迹预测系统的对抗鲁棒性。我们设计了一个基于优化的对抗攻击框架，该框架利用精心设计的可微动态模型来生成逼真的对抗轨迹。从经验上讲，我们对最先进的预测模型的对抗鲁棒性进行了基准测试，并表明我们的攻击将一般指标和规划感知指标的预测误差增加了50%和37%以上。我们还表明，我们的攻击可以导致AV驾驶道路或碰撞到其他车辆的模拟。最后，我们演示了如何使用对抗训练方案来减轻对抗攻击。
2022-09-19 cs.AI cs.CR cs.LG
TrajRS: Towards Certified Robustness in Pedestrian Trajectory Prediction
Key Laboratory of System Software (Chinese Academy of Sciences) and State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences, China（中国科学院系统软件重点实验室（中国科学院）和计算机科学国家重点实验室，软件研究所，中国）；University of Chinese Academy of Sciences, China（中国科学院大学，中国）；Nanjing Institute of Software Technology, Chinese Academy of Sciences, China（中国科学院南京软件技术研究所，中国）；Hangzhou Institute for Advanced Study, UCAS, China（浙江大学杭州高等研究院，中国）
针对轨迹预测模型易受对抗攻击的问题，提出TrajRS框架，将随机平滑扩展到轨迹预测领域，为平滑后的预测器提供认证鲁棒半径，并针对最优预测和所有可能预测两种鲁棒性定义进行优化。
2026-06-27 cs.AI
Design of UAV flight state recognition and trajectory prediction system based on trajectory feature construction
Northwestern Polytechnic University（西北工业大学）
本文针对无人机自主飞行的状态识别与轨迹预测需求，提出结合PCA-DAGSVM状态识别提升轨迹预测精度的方法，经实验验证该识别模型效果良好，且能有效降低轨迹预测误差。
2024-01-28 cs.AI cs.SY eess.SY
Goal-based Neural Physics Vehicle Trajectory Prediction Model
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Southeast University（东南大学）
本文提出GNP模型，通过两阶段预测车辆目标和轨迹，提升长短期预测精度与可解释性。
2024-09-25 cs.AI
Long-Tail Prediction Uncertainty Aware Trajectory Planning for Self-driving Vehicles
Tsinghua University（清华大学）；Toyota Motor Technical Research And Service (Shanghai) CO.,Ltd.（丰田汽车技术研发（上海）有限公司）
自动驾驶的典型轨迹规划通常依赖于预测周围障碍物的未来行为。最近，深度学习技术由于其令人印象深刻的性能而被广泛用于设计预测模型。然而，这样的模型可能会失败的“长尾”驾驶情况下，训练数据是稀疏或不可用，导致规划失败。为此，这项工作提出了一个轨迹规划器，考虑预测模型的不确定性所产生的数据不足，更安全的性能。首先，集成网络结构估计由于训练数据不足而导致的预测模型的不确定性。然后设计了一个轨迹规划器，以考虑预测不确定性引起的最坏情况。结果表明，在数据不足导致预测不确定的情况下，该方法能够提高轨迹规划的安全性。同时，在数据充分的情况下，该框架不会导致过于保守的结果。该技术有助于提高现实世界长尾数据分布下自动驾驶汽车的安全性和可靠性。
2022-07-28 cs.AI
Trajectory Prediction with Linguistic Representations
Toyota Research Institute（丰田研究院）
语言使人类能够建立心理模型，解释周围发生的事情，从而做出更准确的长期预测。我们提出了一种新的轨迹预测模型，该模型使用语言中间表示来预测轨迹，并使用带有部分注释标题的轨迹样本进行训练。该模型学习每个单词的含义，而无需直接进行单词监督。在推理时，它生成轨迹的语言描述，该轨迹在延长的时间间隔内捕获机动和交互。该生成的描述用于细化多个代理的轨迹的预测。我们训练和验证我们的模型上的Argoverse数据集，并证明提高精度的结果，在轨迹预测。此外，我们的模型更具可解释性：它以简单的语言将其部分推理作为标题呈现，这可以帮助模型开发，并可以在部署模型之前帮助建立对模型的信心。
2022-03-09 cs.AI cs.CL cs.LG
STGDPM:Vessel Trajectory Prediction with Spatio-Temporal Graph Diffusion Probabilistic Model
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有船舶轨迹预测方法难以全面建模行为多模态的问题，提出将交互建模为动态图、结合扩散模型的STGDPM方法，在真实AIS数据上验证了性能优越性。
2025-03-11 cs.AI
Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections
University of Washington（华盛顿大学）
我们专注于分散导航之间的多个非通信理性代理在\emph{uncontrolled}交叉口，即，没有交通标志或信号的街道交叉口。避免这些领域中的冲突依赖于智能体可靠地预测彼此意图并快速做出反应的能力。多智能体轨迹预测是NP难的，而现有的数据驱动方法的样本复杂性限制了它们的适用性。我们的关键见解是，交叉点的几何结构和智能体有效移动和避免碰撞（理性）的激励减少了可能行为的空间，有效地缓解了轨迹预测的问题。在本文中，我们崩溃的多智能体轨迹在一个交叉点的空间成一组代表不同类别的多智能体行为的模式，形式化使用拓扑不变性的概念。基于这种形式主义，我们设计了多拓扑预测（MTP），数据驱动的概率预测机制，重建轨迹表示的高似然模式在多智能体交叉场景。我们表明，MTP在具有挑战性的模拟数据集上的预测准确率为78.24%，优于最先进的多模态轨迹预测基线（MFP）。最后，我们表明，MTP使我们的优化为基础的规划，MTPnav，实现无碰撞和时间效率的导航在各种具有挑战性的交叉路口的情况下，CARLA模拟器。
2020-11-08 cs.AI cs.LG cs.MA
Evaluating Human Trajectory Prediction with Metamorphic Testing
Simula Research Laboratory（西姆拉研究实验室）；LIRMM, University of Montpellier, CNRS（蒙彼利埃大学计算机科学、机器人学、微电子与微电子实验室、法国国家科学研究中心）
本研究针对人类轨迹预测缺乏明确测试标准的问题，提出应用蜕变测试，并引入Wasserstein违反准则以统计方式评估后续测试用例是否违反保持标签的蜕变关系。
2024-07-26 cs.AI cs.SE
Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks
InfoTech Labs, Toyota Motor North America R&D（丰田汽车北美研发中心信息技术实验室）
针对通用车辆轨迹预测忽视个体驾驶风格的问题，提出融合GCN与LSTM并经大规模预训练和驾驶员微调的交互感知个性化方法，提升了长时域预测精度。
2023-08-16 cs.AI cs.CV cs.LG
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information
Technical University of Munich（慕尼黑工业大学）
传统的方法来预测未来的轨迹的道路代理依赖于知道他们的过去轨迹的信息。这项工作只依赖于了解当前状态和预期方向，以预测交叉口处的多辆车。此外，车辆之间的信息传递为每个车辆提供了环境的更全面的概览，从而允许更明智的预测。这是通过训练一个神经网络来完成的，该神经网络采用多个车辆的状态和意图来预测它们的未来轨迹。使用意图作为输入允许我们的方法扩展到另外控制多个车辆朝向期望路径行驶。实验结果表明，我们的方法在轨迹预测和交叉口车辆控制方面的鲁棒性。此工作的完整培训和评估代码可在此处获得：\url{https://github.com/Dekai21/Multi_Agent_Intersection}。
2023-01-06 cs.AI cs.RO
A Multi-Modal Knowledge-Enhanced Framework for Vessel Trajectory Prediction
Aalborg University（奥尔堡大学）
针对AIS数据不规则采样和船舶运动复杂导致的预测难题，提出多模态知识增强框架MAKER，利用大语言模型知识迁移和基于知识的自定步调学习，在两个数据集上提升最先进方法准确率12.08%-17.86%。
2025-03-27 cs.AI cs.CV
Conditional Generative Neural System for Probabilistic Trajectory Prediction
University of California, Berkeley（加州大学伯克利分校）
对环境的有效理解和周围动态障碍物的准确轨迹预测对于自主车辆和轮式移动机器人等智能系统在复杂场景中导航以实现安全和高质量的决策、运动规划和控制至关重要。由于未来的不确定性，人们希望从概率的角度进行推断，而不是确定性的预测。本文提出了一种用于概率轨迹预测的条件生成神经系统（CGNS）来逼近数据分布，可以采样现实、可行且多样化的未来轨迹假设。该系统结合了条件潜在空间学习和变分发散最小化的优势，并利用静态上下文和交互信息与软注意力机制。我们还提出了一种正则化方法，用于将软约束纳入具有可微障碍函数的深度神经网络中，该方法可以调节并将生成的样本推入可行区域。建议的系统进行评估，在几个公共基准数据集的行人轨迹预测和一个环岛自然驾驶数据集收集我们自己。实验结果表明，我们的模型实现了更好的性能比各种基线方法的预测精度。
2019-07-28 cs.AI cs.CV cs.LG
KEMP: Keyframe-Based Hierarchical End-to-End Deep Model for Long-Term Trajectory Prediction
Waymo；UCLA（加州大学洛杉矶分校）；MIT（麻省理工学院）
预测道路智能体的未来轨迹是自动驾驶的关键任务。最近基于目标的轨迹预测方法，如DenseTNT和PECNet，在公共数据集上的预测任务中表现出良好的性能。然而，它们通常需要复杂的目标选择算法和优化。在这项工作中，我们提出了KEMP，一个分层的端到端的深度学习框架的轨迹预测。我们框架的核心是基于关键帧的轨迹预测，其中关键帧是描绘轨迹的大致方向的代表性状态。KEMP首先预测以道路上下文为条件的关键帧，然后填充以关键帧和道路上下文为条件的中间状态。在我们的一般框架下，目标条件方法是关键帧数量等于1的特殊情况。与目标条件方法不同，我们的关键帧预测器是自动学习的，不需要手工制作的目标选择算法。我们在公共基准上评估了我们的模型，我们的模型在Waymo开放运动数据集排行榜上排名第一（截至2021年9月1日）。
2022-05-10 cs.AI cs.CV cs.LG
Pivot-Centric Trajectory Prediction: Bridging Long Horizons via Dynamical Guidance
针对长时程轨迹预测的误差累积问题，本文提出PCTP方法，通过引入枢轴点解耦预测任务，提升了主流模型在Argoverse数据集上的预测精度，且可灵活集成到现有模型中。
2026-08-05 cs.AI cs.RO
Online Learning for Ground Trajectory Prediction
\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Thales Research \& Technology, Palaiseau, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email；\ \ \ \ \ \ \ \ \ \ \ \ \ \ TAO, INRIA Saclay, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email
提出基于混合系统的模型用于数值模拟飞机爬升阶段，结合CMA-ES优化算法调整参数以提高轨迹预测精度，并通过在线更新预测实现更准确的结果。
2012-12-17 cs.AI cs.SY eess.SY
Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Baidu Inc.（百度公司）
本文旨在解决交互行为预测任务，并提出了一种新的条件目标导向的轨迹预测（CGTP）框架，共同生成场景兼容的轨迹的两个交互代理。我们的CGTP框架是一个端到端和可解释的模型，包括三个主要阶段：上下文编码，目标交互预测和轨迹交互预测。首先，一个目标的兴趣网络（GoINet）的设计，以提取代理到代理和代理到目标之间的交互功能，使用基于图形的矢量化表示。此外，条件目标预测网络（CGPNet）专注于通过边际和条件目标预测器的组合形式进行目标交互预测。最后，目标导向的轨迹预测网络（GTFNet）提出了实现轨迹交互预测通过条件目标导向的预测器，预测的未来状态的其他交互代理作为输入。此外，一个新的目标交互损失的开发，以更好地学习两个交互代理之间的目标候选人的联合概率分布。最后，在Argoverse运动预测数据集、In-house切入数据集和Waymo开放运动数据集上进行了实验。比较结果表明，我们提出的CGTP模型优于主流的预测方法的性能。
2022-10-19 cs.AI cs.RO
Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction
Xiamen University Malaysia（马来西亚厦门大学）
本文提出结合特征化扩散模块与时空交互网络的轨迹预测模型，通过不确定性估计和智能体交互建模，在NGSIM、HighD和MoCAD上显著超越现有方法，提升复杂交通场景下的预测精度。
2024-11-25 cs.AI cs.RO
CVPR 2019 WAD Challenge on Trajectory Prediction and 3D Perception
Baidu Research, Baidu Inc（百度研究院，百度公司）；Hong Kong Baptist University（香港浸会大学）；University of Kentucky（肯塔基大学）
本文回顾了CVPR 2019年自动驾驶挑战赛。百度的机器人和自动驾驶实验室（RAL）提供150分钟的标记轨迹和3D感知数据集，包括约8万个激光雷达点云和1000公里的城市交通轨迹。该挑战有两个任务：（1）轨迹预测和（2）3D激光雷达目标检测。有超过200个团队在排行榜上提交了结果，超过1000名参与者参加了研讨会。
2020-10-15 cs.AI cs.CV eess.IV
Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks
冲突指标形式的替代安全措施是主动交通安全工具箱中不可或缺的组成部分。冲突指标可以分为基于过去轨迹的冲突和基于预测轨迹的冲突。虽然前一类冲突的计算是确定性的和明确的，后一类是使用预测的车辆轨迹计算的，因此更具随机性。因此，基于预测的冲突的准确性取决于所使用的轨迹预测算法的准确性。轨迹预测可能是一项具有挑战性的任务，特别是在车辆机动多样的交叉口。此外，由于与道路使用者轨迹提取管线有关的限制，在冲突分析期间车辆的精确几何表示是一项具有挑战性的任务。错误的几何图形扭曲了观察中车辆之间的真实距离。提出了一种基于预测的冲突识别方法。开发了一个序列到序列的递归神经网络，以连续预测未来车辆的轨迹，最多提前3秒。此外，使用CitySim数据集对所提出的网络进行了训练，以预测未来的车辆位置和航向，以便于预测未来的边界框，从而保持准确的车辆几何表示。实验结果表明，该方法优于常用的轨迹预测模型在交叉口的冲突分析。比较了基于车辆边界框和常用车辆中心点的碰撞时间（TTC）识别方法。与限界框方法相比，中心点方法往往无法识别TTC冲突或低估了它们的严重性。
2022-10-13 cs.AI cs.RO
Stochastic Trajectory Prediction under Unstructured Constraints
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Macau University of Science and Technology（澳门科技大学）
针对非结构化约束缺乏可微形式化定义的问题，本文提出条件扩散方法 CTD，通过预训练评分模型量化轨迹约束符合度并引导轨迹生成，在 ETH/UCY 与 SDD 上实现高精度。
2025-03-18 cs.AI cs.RO
A prior information informed learning architecture for flying trajectory prediction
Southern University of Science and Technology（南方科技大学）；Chinese University of Hong Kong-Shenzhen（香港中文大学（深圳））
本文提出一种融合环境先验信息的双Transformer级联架构，用于高效预测飞行物体轨迹，特别是在网球着陆点预测中表现出色。
2026-03-06 cs.AI cs.CV
Selective Social-Interaction via Individual Importance for Fast Human Trajectory Prediction
本文提出基于重要性估计器选择关键邻居行人，结合Gumbel Softmax训练，在JRDB数据集上实现快速且精度有竞争力的轨迹预测。
2025-06-23 cs.AI cs.CV
GAMDTP: Dynamic Trajectory Prediction with Graph Attention Mamba Network
Shanghai Institute of Technology（上海应用技术大学）
本文提出GAMDTP，通过门控机制融合自注意力与mamba-ssm，结合评分机制优化两阶段框架，在Argoverse数据集上实现动态轨迹预测的最先进性能。
2025-04-07 cs.AI cs.RO
Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction
Mercedes-Benz AG（梅赛德斯-奔驰公司）；University of Freiburg（弗赖堡大学）；TU Delft（代尔夫特理工大学）
本文提出一种基于证据深度学习的多模态轨迹预测方法，通过正态逆伽马分布和狄利克雷分布分别估计位置与模式不确定性，实现单次前向传播实时推理，并在Argoverse数据集上验证了其可靠性与精度。
2025-03-07 cs.AI cs.RO
TrajEvo: Designing Trajectory Prediction Heuristics via LLM-driven Evolution
KAIST（韩国科学技术院）；OMELET；UC Riverside（加州大学河滨分校）
TrajEvo利用LLM驱动的进化算法自动设计轨迹预测启发式方法，通过跨代精英采样和统计反馈循环提升性能，在ETH-UCY和SDD数据集上优于现有启发式与深度学习方法。
2025-05-07 cs.AI cs.NE cs.RO
Nonlinear Model Based Guidance with Deep Learning Based Target Trajectory Prediction Against Aerial Agile Attack Patterns
Istanbul Technical University（伊斯坦布尔理工大学）
在这项工作中，我们提出了一种新的导弹制导算法，结合基于深度学习的轨迹预测与非线性模型预测控制。虽然导弹制导和威胁拦截是一个很好的研究问题，现有的算法的性能显着下降时，目标拉高加速度攻击机动，同时迅速改变其方向。我们认为，由于大多数威胁执行类似的攻击演习，这些非线性轨迹模式可以用现代机器学习方法来处理，以建立高精度的轨迹预测算法。我们训练一个长短期记忆网络（LSTM）的基础上模拟的结构化敏捷攻击模式的类，然后将此预测器与基于二次规划的非线性模型预测控制（NMPC）。我们的方法，命名为非线性模型为基础的预测控制与目标加速度预测（NMPC-TAP），显着优于比较方法的脱靶量，目标/威胁执行敏捷机动的情况下。
2021-04-06 cs.AI cs.SY eess.SY
