标签
论文提出一种面向路网轨迹生成的图约束生成范式——预判式生成建模（Anticipatory Generative Modeling），并提出模型 Foresight，通过“预判–选择–更新–重新预判”循环解决路口转移选择问题，超越扩散模型等基线方法。
本文介绍了Industrial Kinematic Trajectory Model (IKTM)，一种无坐标自回归变换器，用于在不依赖绝对空间坐标的情况下生成工业环境中的真实车辆轨迹。
本文提出了一种名为MR-Traj的多分辨率扩散框架，用于城市系统的合成轨迹生成。该框架能够在多个分辨率上捕获复杂的时空依赖关系，并提升下游任务中细粒度移动性建模的性能。
Push-Wiper 是一个机器人框架，它将粘性污渍清洁重新定义为一个聚集问题，通过分段推挤轨迹和扩散策略，在不同污渍、表面和几何形状之间实现泛化，清洁评分最高提升 130%，并支持零样本迁移。
SevDiff是一种基于严重性条件的扩散模型，用于生成具有可控碰撞时间值的车辆冲突轨迹，在用于ADAS评估的真实数据集上实现了高命中率。
TerminalTraj是一个可扩展的流水线，利用Docker化环境生成高质量的终端智能体轨迹，在终端任务基准上使用TerminalTraj-32B等模型实现了高达20%的性能提升。
RS-Diffuser 提出了一种风险敏感的离线扩散规划框架，结合扩散轨迹生成和分布值批评器，通过尾部感知目标在推理时灵活调整风险偏好，在安全关键任务中提升了回报和鲁棒性。
TrajGenAgent提出了一种分层LLM智能体框架，将宏观活动规划与微观时空实例化解耦，用于无需微调即可生成逼真的人类移动轨迹。它还引入了一种基于异常检测的评估方法，用于行为保真度。
介绍一种生成框架，利用LLM代理将行为异常注入模拟轨迹中，并应用运动约束和地图约束，生成带有真实标签的逼真异常移动数据。
本文系统性地研究了轨迹数据生成模型中的隐私风险，发现了经验隐私评估中的空白，并对代表性模型展示了成员推理攻击。
RAD-2 提出了一个用于自动驾驶的统一生成器-判别器框架，将基于扩散的轨迹生成与强化学习优化的重排序相结合，与基于扩散的规划器相比，碰撞率降低了56%。该方法引入了 Temporally Consistent Group Relative Policy Optimization 和 BEV-Warp 仿真环境等技术，以实现高效的大规模训练。