退火赢家通吃法用于运动预测

提出了一种利用环境场景和多智能体间互动信息的轨迹预测模型，显著提高了预测性能。

ALAN框架通过超列描述符捕捉交互，并将场景信息纳入预测过程。

DAC方法和ALAN框架在轨迹预测性能上优于传统方法。

首次系统探索自我监督学习在动态预测中的潜力，提出四个自我监督学习任务以提高预测准确性。

Forecast-MAE在Argoverse 2基准测试中表现出与最先进方法竞争的性能，优于以前的自我监督学习方法。

提出基于Argoverse的有效基准线方法，利用最新技术生成可行的多模态轨迹。

通过使用EqMotion等价粒子和人体预测模型，实现了多智能体车辆运动预测任务的最先进性能。

在主动学习框架中提出轨迹状态聚类和采样方法，降低注释和数据成本，同时保持模型性能。

提出自适应预测集成（APE）框架，解决轨迹预测模型在分布外场景中的泛化问题，显示出混合方法的鲁棒性和泛化性。