本研究提出了一种混合注意力-曼巴框架（HAMF），旨在解决自主驾驶系统中的运动预测信息降级问题。通过共同编码场景上下文与未来运动状态，HAMF提高了运动预测的准确性和多样性。实验结果表明，该模型在Argoverse 2基准测试中表现优异。

本研究提出了一种自监督框架，用于空间物体行为特征化，解决了行为分析基础模型不足的问题。该模型基于光曲线，能够有效进行异常检测和运动预测，支持空间安全与可持续性监测。

本研究提出了一种基于图注意力网络的GAMDTP模型，旨在提高自动驾驶系统中交通参与者的运动预测准确性。该模型在Argoverse数据集上实现了领先的动态轨迹预测性能。

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。

本研究提出CoT-Drive，通过大型语言模型和链式思维提示，提升自动驾驶中的运动预测准确性。采用知识蒸馏策略，将场景理解能力转移至轻量级模型，实现实时操作，显著增强复杂交通环境中的预测准确性和鲁棒性。

本研究提出了一种新颖的并行多尺度增量预测框架（PMS），旨在提高人机协作中人类运动预测的准确性。通过多时空尺度建模，PMS显著提升了16.3%-64.2%的预测准确性，增强了运动的连续性和生物力学一致性。

本研究针对自动驾驶中的复杂城市场景运动预测问题，提出了一种混合训练策略，通过伪标签数据进行模型预训练，再在标注数据上进行精调。实验结果表明，该方法显著提升了模型性能和泛化能力。

本文介绍了多种基于LiDAR数据的深度学习模型，如MotionNet、MultiXNet和MoNet，旨在提升自动驾驶中的感知和运动预测能力。这些模型通过提取时空特征和多视图学习，显著提高了运动预测性能，展示了在实际应用中的重要前景。

本研究提出了一种场景感知社交变换器模型(SAST)，用于长期三维人体运动预测。该模型结合时间卷积和变换器架构，有效融合运动与场景信息，提升了人和物体之间复杂互动的建模能力。在“厨房中的人类”数据集上，模型展现了更高的真实感和多样性，验证了其有效性。

本文介绍了多种光流估计方法，如密集对应场、卷积网络和静态语义场景分割，旨在提高光流估计的准确性和鲁棒性。研究表明，采用新模型和数据集，尤其在复杂场景中，能够显著提升光流估计性能，特别是在小物体的识别和运动预测方面。

MyoSuite是一种生物力学模型，能够支持复杂的生理变化和运动预测。研究中采用了基于物理知识的低样本学习和深度学习模型，显著提高了肌肉运动和关节角度的预测精度，展示了在手势识别和动态运动分析中的应用潜力。

本文提出了一种名为占用流场的运动预测方法，利用深度学习生成占用流场，并引入流跟踪损失以提高预测一致性。该方法在占用预测和运动估计方面表现优越，解决了现有方法的局限性，并有效预测代理行为，为自动驾驶技术的发展提供了新思路。

本文介绍了多种基于深度学习的水文模型和算法，如KGSSL框架、RKN循环卡尔曼网络和HydroNets模型。这些模型在流量建模、河流预测和运动预测等领域表现优异，能够有效处理复杂数据并提高预测精度。

本文提出了一种新的自动驾驶运动预测方法——占用流场（Occupancy Flow Fields），该方法利用深度学习生成占用和流动预测，克服了现有方法的局限性。通过引入流跟踪损失，该方法在占用预测和运动估计上表现优异，并在多个数据集上超越现有技术，展示了其在自动驾驶中的应用潜力。

本文讨论了多种基于变压器的模型在运动预测和特征匹配中的应用，如Prototypical Part Transformer、Human MotionFormer和TrackFormer。这些模型通过引入全局与局部特征、注意力机制和自监督学习，显著提升了运动表示的准确性和可解释性，达到了先进的性能。

本文提出了一种新型的两阶段运动预测框架TPNet，通过生成候选轨迹并进行分类和细化，实现安全的多模态预测。同时，介绍了多镜头轨迹预测任务MCTF，并发布了Warwick-NTU数据库，以促进该领域的研究。此外，研究还提出了改进的图变换器结构和基于时空图的LSTM网络，显著提高了行人和交通流预测的准确性。

本文介绍了脉冲神经网络（SNNs）的优势，特别是与深度神经网络（DNNs）的比较，探讨了如何将DNNs转换为SNNs，并在Intel Loihi芯片上实现实时手势识别。此外，研究还涉及基于肌骨建模的深度学习方法、低样本学习和虚拟现实培训模拟器的评估，展示了这些技术在运动预测和能量消耗方面的应用潜力。

本文探讨了基于知识图谱的自动驾驶预测框架，利用时空语义图和贝叶斯推理实现车道变更预测，F1得分达到97.95%。研究还涉及图神经网络在交通参与者关系建模中的应用，提升了自动驾驶的运动预测性能。

本文介绍了一种基于物理模型的2D和3D姿态估计方法，用于推断3D人体运动，显著提升了动作的真实性和准确性。研究还提出了运动重新定位、互动人物运动预测及基于物理的运动校正等新方法，并在多个数据集上取得了优异的实验结果。