轨迹预测

智能交通顶刊TITS论文分享｜跨区域自适应车辆轨迹预测：TRACER框架攻克域偏移难题！本推文介绍了智能交通领域期刊TITS 2025的一篇论文《TRACER: Transfer Knowledge-Based Collaborative Vehicle Trajectory Prediction for Highway Traffic Toward Cross-Region Adaptivity》。这篇论文提出了一种基于迁移学习的协同车辆轨迹预测框架TRACER，旨在解决跨区域适应性中的领域偏移问题。TRACER通过整合自适应交互提取模块和基于双向长短期记忆网络（BiLSTM）的轨迹生成模

【TNT】Target-driveN Trajectory Prediction学习笔记p ( s F ∣ χ ) = ∫ τ ∈ τ ( c P ) p ( τ ∣ χ ) p ( s F ∣ τ , χ ) d τ p(s_F|\chi)=\int_{\tau\in \tau(c_P)}^{} p(\tau|\chi)p(s_F|\tau,\chi)d\tau p(sF∣χ)=∫τ∈τ(cP)p(τ∣χ)p(sF∣τ,χ)dτ

目标点注意力Transformer：一种用于端到端自动驾驶的新型轨迹预测网络本文介绍了目标点注意力Transformer：一种用于端到端自动驾驶的新型轨迹预测网络。在自动驾驶领域中，已经有很多优秀的感知模型，用于目标检测、语义分割和其它任务，但是我们如何可以有效地将感知模型用于车辆规划呢？传统的自动驾驶车辆轨迹预测方法不仅需要遵循交通规则以实现避障，还需要按照规定的路线到达目的地。在本文中，我们提出了一种无规则的基于transformer的轨迹预测网络用于端到端自动驾驶，称为目标点注意力Transformer网络（TAT）。我们使用注意力机制来实现预测轨迹与感知特征以及目标点之间