CAA-GMM：上下文感知高斯混合车辆轨迹预测模型
Get the story
2026年10月8日，arXiv机器学习理论栏目发布一手论文，提出上下文感知注意力高斯混合模型CAA-GMM，用于车辆轨迹预测。该模型面向多模态与感知不确定性场景，将未来运动建模为以场景上下文与智能体动态为条件的概率混合。方法上，CAA-GMM以轻量注意力机制融合栅格化环境线索与运动历史。实验显示，在nuScenes和Argoverse 2数据集上，其精度达到与现有栅格基线相当或更优的水平，同时保持低计算复杂度。目前公开信息仅涉及该论文内容，未见后续验证或应用报道。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory用于车辆轨迹预测的上下文感知注意力高斯混合模型 CAA-GMM
论文提出上下文感知注意力高斯混合模型 CAA-GMM，用于多模态、感知不确定性的车辆轨迹预测，将未来运动建模为以场景上下文与智能体动态为条件的概率混合。该模型以轻量注意力机制融合栅格化环境线索与运动历史，在 nuScenes 和 Argoverse 2 数据集上达到与现有栅格基线相当或更优的精度，并保持低计算复杂度。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.