该研究探讨了AIS数据在海洋监测中的应用，提出了一种基于变换器的方法，用于轨迹预测和行为检测，为未来研究提供数据支持。

本研究解决了自主驾驶中的轨迹预测问题，强调因果关系的重要性。提出的新框架通过因果推理提升了预测的鲁棒性和准确性，评估结果优于现有方法，为构建更强大的自主驾驶系统奠定基础。

本研究提出了TrajEvo框架，结合大语言模型与进化算法优化轨迹预测，克服了传统方法的局限性。研究结果表明，TrajEvo在多个数据集上优于传统和深度学习方法，展现出重要的应用潜力。

本研究提出FPoTT框架，旨在解决车联网中的实时交通管理与隐私保护问题。该框架通过动态提示优化机制，实现了99.86%的轨迹预测准确率，展现了在车联网管理中的应用潜力。

本研究提出了一种新方法，通过整合动态意图点，提升自动驾驶轨迹预测的准确性，尤其在处理与地图数据不符的真实轨迹时效果显著。

本研究提出了一种新型无归一化变压器架构，结合动态Tanh和快照集成策略，以提高自主驾驶系统的轨迹预测准确性和稳定性。实验结果显示，该方法在Argoverse数据集上显著提升了预测精度和鲁棒性。

香港科技大学（广州）与香港科技大学联合开发了新算法Falcon，提升机器人在拥挤环境中的社交导航能力。该算法结合轨迹预测，研究团队还构建了Social-HM3D和Social-MP3D数据集以提供更真实的评估环境。实验结果表明，Falcon在目标达成和社会合规方面表现优异，成功率超过55%。

本文提出了一种新方法——可控轨迹扩散（CTD），有效解决了非结构约束下的轨迹预测问题。实验结果表明，CTD在ETH/UCY和SDD基准测试中表现优异，能够满足复杂约束条件。

本研究提出了MoFlow模型，旨在解决人类轨迹预测问题。该模型基于历史轨迹和上下文信息进行多模态未来运动预测。实验结果表明，MoFlow在生成多样合理轨迹方面表现优异，采样速度比教师模型快100倍。

本文探讨了自动驾驶车辆在动态环境中安全导航的挑战，特别是对周围交通参与者轨迹的预测。提出了一种分类法总结现有预测方法，并讨论了研究中的空白与挑战，强调未来研究方向及其潜在影响。

本研究提出了一种认知引导变换器（CITF），旨在解决现有轨迹预测模型未考虑人类驾驶者决策的问题。通过引入“感知安全”概念，CITF在多个数据集上表现优异，尤其在长期预测方面超越现有基准，显示出实际应用潜力。

本研究提出了一种新颖的BP-SGCN框架，通过引入基于运动特征的行为伪标签，显著提高了异构交通参与者的轨迹预测精度，实验结果优于现有方法。

本研究探讨了三种轨迹预测模型的离散分布泛化能力。通过对比小型数据集Argoverse 2与大型数据集Waymo Open Motion的训练与测试，发现小模型在多种数据增强策略下表现最佳。这一发现对轨迹预测模型设计具有重要意义。

本研究提出了PerturbODE框架，利用神经常微分方程建模扰动下的细胞状态轨迹，解决基因调控网络推断中的线性假设和动态处理不足问题。该方法在轨迹预测和基因调控网络推断中表现出高效性，具有重要的生物数据分析潜力。

本研究提出NEST框架，结合小世界网络和超图，解决传统轨迹预测模型在实时处理和复杂交通环境中的不足，显著提升了自主驾驶系统的可靠性和操作效率。

本文介绍了多种基于深度学习的技术在无人机和轨迹预测中的应用，包括鲁棒非线性控制器、Goal-GAN模型、条件速度生成对抗网络、对抗攻击框架及增强的CNN-LSTM网络。这些方法显著提升了控制性能、轨迹预测准确性和抗干扰能力，推动了无人机自主降落和路径规划的研究进展。

本研究提出C$^{2}$INet方法，旨在解决多智能体轨迹预测中的环境偏差和灾难性遗忘问题。该方法通过变分推理对齐环境先验与后验估计，提升轨迹表示能力，增强对多样任务的适应性，并显著提高预测性能。