Domain Generalization for Vision-based Driving Trajectory Generation
Zhejiang University（浙江大学）；Alibaba DAMO Academy（阿里巴巴达摩院）
基于视觉的驾驶轨迹生成的挑战之一是处理分布外的场景。在本文中，我们提出了一种领域泛化方法，用于在城市环境中自动驾驶车辆的基于视觉的驾驶轨迹生成，这可以被看作是一种解决方案，以扩展复杂问题中的不变风险最小化（Invariant Risk Minimization）方法。我们利用对抗学习方法来训练轨迹生成器作为解码器。基于预训练的解码器，我们推断对应于轨迹的潜变量，并通过回归推断的潜变量来预训练编码器。最后，我们修复解码器，但微调编码器与最终的轨迹损失。我们比较了我们提出的方法与国家的最先进的轨迹生成方法和一些最近的领域泛化方法的数据集和模拟，证明了我们的方法具有更好的泛化能力。
2021-09-22 cs.CV cs.LG cs.RO
StopNet: Scalable Trajectory and Occupancy Prediction for Urban Autonomous Driving
Waymo；Korea University（高丽大学）
我们介绍了一种运动预测（行为预测）方法，可以在不牺牲准确性的情况下满足密集城市环境中自动驾驶的延迟要求。全场景稀疏输入表示允许StopNet扩展到预测数百个道路代理的轨迹，并具有可靠的延迟。除了预测轨迹外，我们的场景编码器还可以预测整个场景的概率占用网格，这是一种适合繁忙城市环境的补充输出表示。占领网格允许AV集体推理代理组的行为，而不处理他们的个人轨迹。我们证明了我们的稀疏输入表示和我们的模型在三个数据集的计算和准确性方面的有效性。我们进一步表明，共同训练一致的轨迹和占用预测在标准指标下提高了最先进的性能。
2022-06-02 cs.CV cs.RO
Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network
JD Logistics, JD.com, China（京东物流，京东集团，中国）
预测周围障碍物的未来轨迹是自动驾驶汽车实现高度道路安全的关键任务。在现实世界的交通场景中，轨迹预测存在几个挑战，包括遵守交通规则，处理社会交互，处理多类运动的交通，以及预测具有概率的多模式轨迹。受人们关注目标和周围环境的自然习惯的启发，本文提出了一种独特的动态图形注意力网络来解决所有这些挑战。该网络的设计是为了模拟代理之间的动态社会互动，并符合交通规则的语义地图。通过将基于锚的方法扩展到多种类型的代理，所提出的方法可以使用单个模型来预测具有多类运动概率的多模态轨迹。我们在物流交付场景的专有自动驾驶数据集和两个公开可用的数据集上验证了我们的方法。结果表明，我们的方法优于国家的最先进的技术，并展示了在现实世界的交通轨迹预测的潜力。
2021-03-30 cs.CV cs.RO
GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving
Lehigh University（理海大学）
尽管自动驾驶汽车技术取得了进步，但自动驾驶汽车的安全性仍然是一个尚未得到充分研究的挑战性问题。运动预测是自动驾驶汽车的核心功能之一。在此之前，我们提出了一种名为GRIP的新方案，该方案旨在有效地预测自动驾驶汽车周围交通代理的轨迹。GRIP使用图来表示接近对象的交互，应用几个图卷积块来提取特征，随后使用编码器-解码器长短期记忆（LSTM）模型来进行预测。尽管我们的实验结果表明，GRIP提高了30%的最先进的解决方案的预测精度，GRIP仍然有一些局限性。GRIP使用一个固定的图来描述不同的交通代理之间的关系，因此可能会遭受一些性能下降，当它被用于城市交通场景。因此，在本文中，我们描述了一个改进的计划，称为GRIP++，我们使用固定和动态图的轨迹预测不同类型的交通代理。这种改进可以帮助自动驾驶汽车避免许多交通事故。我们使用最近发布的城市交通数据集（即ApolloScape）进行的评估表明，GRIP++比最先进的方案实现了更好的预测准确性。GRIP++在2019年10月的ApolloScape轨迹竞赛排行榜上排名第一。此外，GRIP++的运行速度比最先进的方案CS-LSTM快21.7倍。
2020-05-19 cs.CV cs.RO
Importance is in your attention: agent importance prediction for autonomous driving
Motional
轨迹预测是自动驾驶中的一项重要任务。最先进的轨迹预测模型通常使用注意力机制来模拟智能体之间的交互。在本文中，我们表明，从这样的模型的注意力信息也可以用来衡量每个代理的重要性相对于自我车辆的未来规划轨迹。我们的nuPlans数据集上的实验结果表明，我们的方法可以有效地发现和排名周围的代理人对自我的计划的影响。
2022-04-19 cs.CV cs.RO
Zero-Human Demonstration End-to-end Autonomous Driving with Trajectory Scorer
Institute of Trustworthy Embodied AI（可信具身人工智能研究所）；Fudan University（复旦大学）；Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室）；NVIDIA；University of Michigan（密歇根大学）；East China Normal University（华东师范大学）
研究提出ZTRS，一种基于强化学习的端到端自动驾驶规划范式，仅依靠真实世界图像和规则奖励训练，无需人类示范。通过详尽策略优化，能更好推广到长尾驾驶场景，在相关数据集上展现出优于模仿学习方法的性能。
2026-07-09 cs.CV cs.RO
Using Ensemble Diffusion to Estimate Uncertainty for End-to-End Autonomous Driving
Norwegian University of Science and Technology（挪威科学技术大学）
提出EnDfuser系统，利用扩散模型作为轨迹规划器，通过集成扩散从单一感知帧生成候选轨迹分布，实现不确定性感知决策，在LAV基准上驾驶评分提升1.7%。
2026-05-22 cs.CV cs.RO
CRAT-Pred: Vehicle Trajectory Prediction with Crystal Graph Convolutional Neural Networks and Multi-Head Self-Attention
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）
预测周围车辆的运动对于自动驾驶汽车至关重要，因为它控制着自己的运动计划。当前最先进的车辆预测模型严重依赖于地图信息。但实际上，这些信息并不总是可用的。因此，我们提出了CRAT-Pred，一个多模式和非光栅化的轨迹预测模型，专门设计用于有效地模拟车辆之间的社交互动，而不依赖于地图信息。CRAT-Pred将源自材料科学领域的图形卷积方法应用于车辆预测，可以有效地利用边缘特征，并将其与多头自注意力相结合。与其他无映射方法相比，该模型以显著更少的模型参数实现了最先进的性能。除此之外，我们定量地表明，自我注意力机制能够学习车辆之间的社会互动，权重代表可测量的互动得分。源代码是公开的。
2022-02-10 cs.CV cs.LG cs.RO
A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN
在自主驾驶中，感知周围智能体的驾驶行为对于自主车辆做出合理的决策至关重要。提出了一种基于轨迹信息的驾驶行为识别神经网络模型。与现有的基于概率的方法，识别驾驶行为使用手工制作的功能或直接编码的轨迹，我们的模型涉及多尺度卷积神经网络（MSCNN）模块自动提取的高级功能，应该编码丰富的空间和时间信息。给定智能体的轨迹序列作为输入，首先，双向长短期记忆（Bi-LSTM）模块和MSCNN模块分别对输入进行处理，生成两个特征，然后融合两个特征对智能体的行为进行分类。我们在公共BLVD数据集上对所提出的模型进行了评估，取得了令人满意的性能。
2021-03-01 cs.CV cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
A Survey on Deep-Learning Approaches for Vehicle Trajectory Prediction in Autonomous Driving
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
随着机器学习的快速发展，自动驾驶成为热点问题，对更智能的感知和规划系统提出了迫切需求。自动驾驶汽车可以通过精确预测周围车辆的未来轨迹来避免交通事故。在这项工作中，我们回顾和分类现有的基于学习的轨迹预测方法从表示，建模和学习的角度。此外，我们在https：//github.com/Henry1iu/TNT-Trajectory-Predition上公开了我们的Target-driveN Trajectory Prediction实现，展示了其出色的性能，而其原始代码被保留。本文的研究成果对提高弹道预测性能具有一定的启示作用。
2021-10-29 cs.RO
Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations
University of California, Irvine（加利福尼亚大学尔湾分校）
针对生成式端到端自动驾驶规划器中评分头的攻击面，提出Derail对抗框架，通过安全违规目标扰动使轨迹选择从安全候选翻转为不安全候选，评分下降39-80%，碰撞率高达50%。
2026-07-01 cs.CR cs.CV cs.RO
MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving
SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Xiaomi EV（小米汽车）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学智能产业研究院）
本文提出MeanFuser，通过引入Gaussian Mixture Noise、MeanFlow Identity和轻量级ARM模块，实现了高效且鲁棒的多模态轨迹生成与自适应重构，提升了端到端自动驾驶的性能和效率。
2026-03-26 cs.CV cs.RO
Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Baseline
Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
当前的端到端自动驾驶方法要么基于规划的轨迹运行控制器，要么直接执行控制预测，这跨越了两个独立的研究方向。鉴于这两个世界的潜在互惠互利，本文主动探索这两个发达世界的结合。具体来说，我们的综合方法有两个分支的轨迹规划和直接控制，分别。轨迹分支预测未来的轨迹，而控制分支涉及一种新的多步预测方案，以便可以推理当前动作和未来状态之间的关系。这两个分支被连接，使得控制分支在每个时间步长从轨迹分支接收相应的引导。然后将来自两个分支的输出融合以实现互补优势。我们的结果进行了评估，在闭环城市驾驶设置具有挑战性的情况下，使用CARLA模拟器。即使使用单目摄像机输入，该方法也在官方CARLA排行榜上排名第一，远远优于其他具有多个传感器或融合机制的复杂候选方案。源代码可在https://github.com/OpenPerceptionX/TCP上公开获取
2022-10-15 cs.AI cs.CV cs.RO
A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving
National University of Singapore (NUS)（新加坡国立大学）；Hunan University（湖南大学）；The University of Western Australia (UWA)（西澳大学）
本文针对现有VLA自动驾驶模型决策不可靠、多模态交互不足的问题，提出含三类核心组件的多模态交互与多轨迹规划系统，实验显示其在安全推理与场景感知上优于现有系统。
2026-08-24 cs.CV cs.RO
Poutine: Vision-Language-Trajectory Pre-Training and Reinforcement Learning Post-Training Enable Robust End-to-End Autonomous Driving
Mila - Quebec AI Institute（魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；Polytechnique Montréal（蒙特利尔理工学院）；CIFAR AI Chair（CIFAR人工智能主席）
Poutine 通过视觉-语言-轨迹预训练与 GRPO 强化学习微调，仅用现成 3B 参数 VLM 即实现鲁棒端到端自动驾驶，并在 2025 Waymo 挑战赛中以 RFS 7.99 夺冠。
2025-11-06 cs.CV cs.RO
Graph and Recurrent Neural Network-based Vehicle Trajectory Prediction For Highway Driving
Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
将轨迹预测集成到模块化自动驾驶系统的决策和规划模块中，有望提高自动驾驶车辆的安全性和效率。然而，车辆的未来轨迹预测是一个具有挑战性的任务，因为它是由相邻车辆的社会互动行为的影响，和相邻车辆的数量可以在不同的情况下变化。本文提出了一种基于GNN-RNN的编码器-解码器网络用于交互感知轨迹预测，其中使用RNN从车辆的历史轨迹中提取车辆的动态特征，车辆间的交互由有向图表示并使用GNN编码。GNN的并行性意味着所提出的方法有可能同时预测多个车辆的轨迹。从NGSIM US-101数据集提取的数据集上的评估表明，所提出的模型是能够预测目标车辆的轨迹的情况下，与周围的车辆数量可变。
2021-07-08 cs.RO
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University（同济大学）；Beijing Institute of Technology（北京理工大学）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对真实驾驶数据中交互事件稀疏的问题，本文提出 InterHub 数据集，利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹，并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Ethical Decision-making for Autonomous Driving based on LSTM Trajectory Prediction Network
Southern University of Science and Technology（南方科技大学）
本文提出一种基于带注意力模块的LSTM轨迹预测网络的自动驾驶伦理决策方法，通过量化效用原则并将其纳入数学公式以整合伦理考量，仿真实验证明其能有效做出伦理决策并选择最优轨迹。
2023-08-02 cs.RO
Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving
本研究提出基于轨迹状态聚类与采样策略的主动学习方法，利用自车轨迹动态信息筛选数据，在nuScenes轨迹预测任务中以更低数据成本超越随机采样性能，验证了低成本数据筛选提升自动驾驶系统效率与鲁棒性的可行性。
2024-05-20 cs.AI cs.CV cs.LG
Safety Metric Aware Trajectory Repairing for Automated Driving
Virtual Vehicle Research GmbH（虚拟车辆研究有限责任公司）；Graz University of Technology（格拉茨工业大学）
针对自动驾驶在动态或紧急条件下决策失败的问题，提出一种安全度量感知的轨迹修复框架，通过二分搜索迭代生成修复轨迹，同时计算可行反应时间，保证安全性和可行性，具备随时提供规避轨迹的能力。
2024-08-20 cs.RO
Jointly Learnable Behavior and Trajectory Planning for Self-Driving Vehicles
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）；GraphCore；Massachusetts Institute of Technology（麻省理工学院）
自动驾驶汽车中使用的运动规划器需要生成安全、舒适并遵守交通规则的轨迹。这通常通过两个模块来实现：行为规划器，它处理高层决策并产生粗略的轨迹，轨迹规划器，它在规划范围内生成平滑，可行的轨迹。然而，这些规划器通常是单独开发的，并且行为规划器中的变化可能以意想不到的方式影响轨迹规划器。此外，由轨迹规划器输出的最终轨迹可能与由行为规划器生成的轨迹显著不同，因为它们不共享相同的目标。在本文中，我们提出了一个共同学习的行为和轨迹规划。与大多数现有的可学习的运动规划器，解决要么只行为规划，或使用一个不可解释的神经网络来表示从传感器到驾驶命令的整个逻辑，我们的方法具有一个可解释的成本函数的感知，预测和车辆动力学，和一个联合学习算法，学习我们的行为和轨迹组件所采用的共享成本函数。对真实世界自动驾驶数据的实验表明，与不采用联合行为和轨迹学习的基线相比，联合学习的规划器在与人类驾驶的相似性和其他安全指标方面表现得更好。
2019-10-10 cs.LG cs.RO
Pre-training on Synthetic Driving Data for Trajectory Prediction
University of California, Berkeley（加利福尼亚大学伯克利分校）
针对自动驾驶轨迹预测的数据稀缺问题，提出通过HD map增强与轨迹合成生成合成数据，并采用包含扩展MAE的预训练策略学习通用表示，大幅提升了基线模型性能。
2024-08-29 cs.CV
Maneuver-based Trajectory Prediction for Self-driving Cars Using Spatio-temporal Convolutional Networks
University of Bonn（波恩大学）；Aptiv Services Deutschland GmbH（安波福服务德国有限公司）
预测其他车辆未来运动的能力是人类潜意识和毫不费力的技能，也是安全自动驾驶的关键。因此，自动驾驶汽车的轨迹预测近年来受到了广泛关注。然而，要达到人类水平的性能仍然是一项艰巨的任务。在动态和复杂的驾驶环境中，车辆行为和未来意图的多模态性质之间的相互依赖性使得轨迹预测成为一个具有挑战性的问题。在这项工作中，我们提出了一种新的，数据驱动的方法来预测车辆在道路环境中的运动。该模型允许推断未来的意图，从过去的互动车辆在高速公路上行驶的情况。使用我们的基于邻域的数据表示，该系统联合利用相关性在空间和时间域使用卷积神经网络。我们的系统考虑了多种可能的机动意图及其相应的运动，并预测未来五秒的轨迹。我们实施了我们的方法，并在不同国家的两个高速公路数据集上进行了评估，并且能够实现具有竞争力的预测性能。
2021-09-15 cs.RO
Target-point Attention Transformer: A novel trajectory predict network for end-to-end autonomous driving
University of Electronic Science and Technology of China（电子科技大学）
本文提出了一种基于Transformer的端到端无规则自动驾驶轨迹预测网络TAT，通过注意力机制实现预测轨迹与感知特征及目标点的交互，在CARLA模拟器中显著降低事故率并提高路线完成率，达到最先进性能。
2023-08-03 cs.RO
Trajformer: Trajectory Prediction with Local Self-Attentive Contexts for Autonomous Driving
Carnegie Mellon University（卡内基梅隆大学）；Bosch Research Pittsburgh（博世匹兹堡研究院）
有效的特征提取对于模型的上下文理解至关重要，特别是对于机器人和自动驾驶的应用，例如多模式轨迹预测。然而，最先进的生成方法在表示场景上下文方面面临限制，导致对不可接受的未来的预测。我们通过使用自我注意力来减轻这些限制，这使得能够更好地控制代理的社会背景;我们提出了一个局部特征提取管道，可以在下游产生更显著的信息，并提高参数效率。我们在Argoverse数据集的各种基线上显示了标准指标（minADE，minFDE，DAO，DAC）的改进。我们在以下网址发布代码：https://github.com/Manojbhat09/Trajformer
2020-11-30 cs.CV
CARIL: Confidence-Aware Regression in Imitation Learning for Autonomous Driving
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
针对自动驾驶模仿学习中回归模型缺乏置信度估计的问题，提出双头神经网络架构结合回归与分类头，通过分类头估计置信度并在低置信度场景下实时纠正动作，显著提升了驾驶稳定性和轨迹精度。
2025-03-02 cs.CV cs.LG cs.RO
CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios
Carnegie Mellon University（卡内基梅隆大学）
自然驾驶轨迹对于自动驾驶算法的性能至关重要。然而，大多数数据是在安全的情况下收集的，导致轨迹的重复，这很容易被目前开发的算法处理。在考虑安全性时，在几乎没有出现在现成数据集中的情况下测试算法是评估的重要组成部分。作为一种补救措施，我们提出了一种基于变分贝叶斯方法的近炸数据合成框架，并称之为条件多轨迹合成器（CMTS）。我们利用一个生成模型的条件下，道路地图桥梁安全和碰撞驾驶数据，代表他们在潜在空间中的分布。通过从未遂分布中采样，我们可以合成对于理解交通场景至关重要的安全关键数据，但这些数据既没有显示在原始数据集中，也没有显示在碰撞数据集中。实验结果表明，增强后的数据集覆盖了更多的驾驶场景，尤其是近距离碰撞场景，提高了轨迹预测的准确性和处理危险驾驶场景的能力。
2019-10-02 cs.CV cs.LG cs.RO
TADAP: Trajectory-Aided Drivable area Auto-labeling with Pre-trained self-supervised features in winter driving conditions
针对冬季恶劣驾驶条件下可行驶区域标注数据稀缺和泛化差的问题，提出基于轨迹和预训练自监督特征的自动标注方法TADAP，在冬季数据集上较先前最优自监督方法交并比提升9.6。
2023-12-20 cs.CV
Shared Cross-Modal Trajectory Prediction for Autonomous Driving
Honda Research Institute USA（美国本田研究所）；University of California, Berkeley（加州大学伯克利分校）；Sungkyunkwan University（成均馆大学）
预测高度交互环境中交通代理的未来轨迹是自动驾驶系统安全运行的一个重要且具有挑战性的问题。基于自动驾驶车辆配备有各种类型的传感器（例如，LiDAR扫描仪、RGB摄像机、雷达等），我们提出了一个跨模态嵌入框架，旨在受益于使用多种输入模态。在训练时，我们的模型通过联合优化不同类型输入数据的目标函数，学习在共享的潜在空间中嵌入一组互补特征。在测试时，单个输入模态（例如，LiDAR数据）被要求从输入角度生成预测（即，在LiDAR空间中），同时利用使用多个传感器模态训练的模型的优势。进行了广泛的评估，以显示所提出的框架使用两个基准驱动数据集的有效性。
2021-03-27 cs.AI cs.CV cs.RO
Trajectory Prediction for Autonomous Driving Using a Transformer Network
University of Macau（澳门大学）；School of Transportation, Southeast University（东南大学交通学院）
本文提出基于Transformer的多模态轨迹预测框架，利用语义地图提取上下文信息，并引入惩罚偏离道路预测的辅助损失，在Lyft l5kit数据集上取得最先进性能。
2024-02-26 cs.RO
NMPC trajectory planner for urban autonomous driving
ETH Zürich（苏黎世联邦理工学院）；Politecnico di Milano（米兰理工大学）
本文提出了一种基于非线性模型预测控制（NMPC）算法的自动驾驶轨迹规划器，该算法通过新颖的侧偏角计算来考虑Pacejka的非线性横向轮胎动力学以及零速度条件。在NMPC框架中，由于软约束和硬约束的实施，考虑了道路边界和障碍物（静态和移动）。NMPC问题的数值解是使用ACADO工具包与二次规划求解器qpOASES耦合进行的。所提出的NMPC轨迹规划器的有效性已经使用CarMaker多体模型进行了测试。由所示的模拟提供的时间分析结果表明，所提出的算法可以在来自上游估计块的数据的假设下在自动驾驶车辆的实时控制框架上实现。
2021-05-09 cs.RO
DriVerse: Navigation World Model for Driving Simulation via Multimodal Trajectory Prompting and Motion Alignment
Baidu Inc.（百度公司）
DriVerse通过多模态轨迹提示和运动对齐技术，实现从单张图像和未来轨迹生成导航驱动的驾驶场景，提升了动态对象的生成精度和时间一致性。
2026-04-24 cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)（慕尼黑工业大学汽车工程研究所）
本文针对自动驾驶车辆在复杂场景需人类干预的问题，提出一种轨迹引导远程驾驶的新型技术实现，经高保真仿真实验验证，表明其能有效提升远程操作安全性与可行性。
2024-02-15 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
UST: Unifying Spatio-Temporal Context for Trajectory Prediction in Autonomous Driving
TuSimple（图森未来）
轨迹预测一直是自动驾驶的一个挑战性问题，因为它需要从交通参与者的行为和交互中推断出潜在的意图。这个问题本质上是困难的，因为每个参与者在不同的环境和互动下可能会有不同的行为。这一问题的关键在于如何有效地从空间上下文和时间上下文两个方面对交错的影响进行建模。现有的工作通常分别编码这两种类型的上下文，这将导致劣质的场景建模。在本文中，我们首先提出了一个统一的方法来处理时间和空间维度平等建模时空上下文。所提出的模块是简单的，易于实现的几行代码。与现有的方法严重依赖于递归神经网络的时间上下文和手工制作的空间上下文结构相比，我们的方法可以自动划分时空空间以适应数据。最后，我们在两个最近提出的轨迹预测数据集ApolloScape和Argoverse上测试了我们提出的框架。我们表明，该方法大大优于以前的国家的最先进的方法，同时保持其简单性。这些令人鼓舞的结果进一步验证了我们的方法的优越性。
2020-05-06 cs.CV cs.LG cs.RO
Shared Cross-Modal Trajectory Prediction for Autonomous Driving
Honda Research Institute USA（美国本田研究所）；University of California, Berkeley（加州大学伯克利分校）；Sungkyunkwan University（成均馆大学）
预测高度交互环境中交通代理的未来轨迹是自动驾驶系统安全运行的一个重要且具有挑战性的问题。基于自动驾驶车辆配备有各种类型的传感器（例如，LiDAR扫描仪、RGB摄像机、雷达等），我们提出了一个跨模态嵌入框架，旨在受益于使用多种输入模态。在训练时，我们的模型通过联合优化不同类型输入数据的目标函数，学习在共享的潜在空间中嵌入一组互补特征。在测试时，单个输入模态（例如，LiDAR数据）被要求从输入角度生成预测（即，在LiDAR空间中），同时利用使用多个传感器模态训练的模型的优势。进行了广泛的评估，以显示所提出的框架使用两个基准驱动数据集的有效性。
2021-06-11 cs.CV cs.LG cs.RO
Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving
Virginia Tech（弗吉尼亚理工学院）；Purdue University（普渡大学）；XPENG Motors（小鹏汽车）；Nanjing University（南京大学）
提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。
2026-07-03 cs.CV
Are All Data Necessary? Efficient Data Pruning for Large-scale Autonomous Driving Dataset via Trajectory Entropy Maximization
本文提出通过轨迹熵最大化实现自动驾驶数据集的高效数据修剪，减少数据量的同时保持模型性能。
2025-12-22 cs.RO
Motion Prediction using Trajectory Sets and Self-Driving Domain Knowledge
Motional
预测车辆的未来运动已经使用各种技术进行了研究，包括随机策略，生成模型和回归。最近的工作表明，在一个轨迹集上的分类，它近似可能的运动，实现了最先进的性能，并避免了模式坍塌等问题。然而，地图信息和附近的轨迹之间的物理关系没有充分利用在这个公式。我们建立在基于分类的运动预测方法的基础上，增加了一个辅助损失，惩罚越野预测。该辅助损失可以容易地仅使用地图信息（例如，越野区域），这显著提高了小数据集的性能。我们还研究了加权交叉熵损失，以捕捉轨迹之间的时空关系。我们的最后一个贡献是对两个公共自动驾驶数据集的分类和有序回归的详细比较。
2021-01-13 cs.CV cs.LG cs.RO
Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving
Beijing Jiaotong University（北京交通大学）；Qcraft；Yanshan University（燕山大学）；The University of Queensland（昆士兰大学）
规划是端到端自动驾驶的关键组成部分。然而，流行的模仿学习方法经常遭受模式坍塌，无法产生不同的轨迹假设。与此同时，现有的生成方法很难将关键的安全和物理约束直接纳入生成过程，需要额外的优化阶段来完善其输出。为了解决这些限制，我们提出了CATG，一种新的规划框架，利用约束流匹配。具体而言，CATG明确地对流匹配过程进行建模，这固有地减轻了模式坍塌，并允许从各种调节信号进行灵活的指导。我们的主要贡献是直接在流匹配过程中施加明确的约束，确保生成的轨迹遵守重要的安全和运动学规则。其次，CATG在生成过程中将驾驶积极性参数化为控制信号，从而实现轨迹风格的精确操纵。值得注意的是，在NavSim v2挑战赛中，CATG以51.31的EPDMS得分获得第二名，并荣获创新奖。
2025-10-30 cs.CV
Intention-based and Risk-Aware Trajectory Prediction for Autonomous Driving in Complex Traffic Scenarios
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对自动驾驶轨迹预测中认知不确定性与缺乏风险意识的问题，提出融合交互、意图与风险评估模块的轨迹预测模型，在DeepAccident数据集上显著优于现有算法。
2024-09-24 cs.RO
An Integrating Comprehensive Trajectory Prediction with Risk Potential Field Method for Autonomous Driving
Northwestern Polytechnical University（西北工业大学）；Research Center for Intelligent Robotics（智能机器人研究中心）；School of Astronautics（航天学院）；National Key Laboratory of Aerospace Flight Dynamics（航天飞行动力学国家重点实验室）
本文提出TRTP轨迹预测模型与风险势场相结合的方法，将预测不确定性融入MPCC目标函数，在CARLA中验证了兼顾安全与效率的自动驾驶规划性能。
2024-04-01 cs.RO
LAformer: Trajectory Prediction for Autonomous Driving with Lane-Aware Scene Constraints
Leibniz University Hannover（汉诺威莱布尼茨大学）；PhiGent Robotics（鉴智机器人）；University of Twente（特文特大学）；VISCODA GmbH（VISCODA有限公司）
自动驾驶的轨迹预测必须不断推理道路智能体的运动随机性并遵守场景约束。现有的方法通常依赖于一阶段的轨迹预测模型，该模型将未来的轨迹与融合的场景信息相结合。然而，他们经常与复杂的场景约束作斗争，例如在十字路口遇到的约束。为此，我们提出了一种新的方法，称为LAformer。它使用时间密集的车道感知估计模块来仅选择HD地图中的顶部高潜力车道段，这有效地且连续地将运动动态与场景信息对齐，通过过滤掉不相关的车道段来降低后续基于注意力的解码器的表示要求。此外，与单阶段预测模型不同，LAformer利用第一阶段的预测作为锚轨迹，并添加了第二阶段运动细化模块，以进一步探索整个时间范围内的时间一致性。在Argoverse 1和nuScenes上的大量实验表明，LAformer在多模态轨迹预测方面具有优异的性能。
2023-02-27 cs.CV
FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving
College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院）；College of Transportation Engineering, Tongji University（同济大学交通工程学院）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）
FeaXDrive通过轨迹导向的扩散规划方法，提升自动驾驶中轨迹空间的可行性建模，改进轨迹几何和运动学可行性，增强可行驶区域一致性，实验表明其在NAVSIM基准上表现优异。
2026-04-30 cs.LG cs.RO
CarPlanner: Consistent Auto-regressive Trajectory Planning for Large-scale Reinforcement Learning in Autonomous Driving
Zhejiang University（浙江大学）；Cainiao Network（菜鸟网络）
针对自动驾驶强化学习轨迹规划训练效率低、难适配大规模真实场景的问题，提出带一致性机制、生成-选择框架的CarPlanner，首次在nuPlan数据集上超越IL及规则类SOTA方法。
2025-03-24 cs.CV cs.LG cs.RO
Improving Autonomous Driving Safety with POP: A Framework for Accurate Partially Observed Trajectory Predictions
The Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳产学研合作研究院）；Lotus Technology Ltd（路特斯科技有限公司）
针对自动驾驶中部分观测下的轨迹预测难题，本文提出POP框架，通过自监督学习与特征蒸馏提升预测精度，在开环和闭环实验中均表现出优越的安全性能。
2024-04-05 cs.RO
A Cognitive-Driven Trajectory Prediction Model for Autonomous Driving in Mixed Autonomy Environment
University of Macau（澳门大学）；University of Electronic Science and Technology of China（电子科技大学）；Chongqing University（重庆大学）；Beihang University（北京航空航天大学）
本文提出一种融入认知洞察的轨迹预测模型，通过分析混合自动驾驶场景中的交互与行为模式，在多个数据集上显著超越现有基准，并展现出处理边界情况与数据缺失的鲁棒性。
2024-04-26 cs.RO
Vehicle Trajectory Prediction based Predictive Collision Risk Assessment for Autonomous Driving in Highway Scenarios
本文提出一种基于CSP-GAN-LSTM轨迹预测模型的高速公路自动驾驶碰撞风险评估方法，结合TTC和MDM构建时间连续风险函数，并在公开数据集和仿真中验证了其优于SOTA方法的预测精度与评估有效性。
2023-04-12 cs.RO
Characterized Diffusion and Spatial-Temporal Interaction Network for Trajectory Prediction in Autonomous Driving
University of Macau（澳门大学）；University of Electronic Science and Technology of China（电子科技大学）
本文提出一种结合特征化扩散模块与时空交互模块的轨迹预测模型，通过注入语义信息并捕捉时空影响，在NGSIM、HighD和MoCAD数据集上取得了最先进性能。
2024-05-03 cs.RO
DiffRefiner: Coarse to Fine Trajectory Planning via Diffusion Refinement with Semantic Interaction for End to End Autonomous Driving
Nullmax
DiffRefiner通过两阶段框架结合扩散细化与语义交互，实现更精确的端到端自动驾驶轨迹规划，取得新纪录。
2025-11-21 cs.CV
SafeShift: Safety-Informed Distribution Shifts for Robust Trajectory Prediction in Autonomous Driving
Carnegie Mellon University（卡内基梅隆大学）；Hanyang University（汉阳大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
提出SafeShift框架，通过表征真实数据集并发现隐藏安全场景，在安全信息分布偏移下评估轨迹预测模型，并采用补救策略平均降低10%碰撞率。
2024-02-02 cs.RO
HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Lab（上海人工智能实验室）
针对自动驾驶场景元素异质、空间关系具相对性的特点，提出将场景建模为异质图、采用分层Transformer聚合的HDGT方法，在两项轨迹预测挑战赛中达到SOTA性能。
2023-07-20 cs.AI cs.CV cs.LG
Stabilizing Trajectory Outputs in End-to-End Autonomous Driving via SC-IMM Based Teacher Signals
The CCS Graduate School of Mobility, Korea Advanced Institute of Science and Technology（韩国科学技术院CCS移动出行研究生院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对端到端自动驾驶轨迹输出不稳定问题，提出基于SC-IMM的离线教师信号生成方法，在CARLA Town12中驾驶评分提升28.0%，碰撞减少62.3%。
2026-09-21 cs.RO
