Accurate trajectory predictions of surrounding actors, such as vehicles and pedestrians, are crucial for ensuring the safety of autonomous driving systems and other road agents. The primary problem addressed in this thesis is the limited accuracy and robustness of existing trajectory prediction methods, particularly when dealing with anomalies and the need for continuous model updates. To tackle this problem, the thesis explores deep learning methods and online learning approaches. The main contribution is the development of an online learning algorithm that incorporates adaptive learning rate and edge case detection. This algorithm aims to improve trajectory prediction accuracy by dynamically adjusting the learning rate based on the distributional properties of the data. The results demonstrate the promising improvements achieved by the proposed online learning algorithm in trajectory prediction accuracy. The algorithm provides valuable insights into the significance of adaptive learning and the integration of anomaly detection in trajectory prediction for autonomous driving.

Exakta prediktioner av trajektorier för omgivande aktörer, såsom fordon och fotgängare, är avgörande för att säkerställa säkerhet och effektivitet i system för autonom körning. Denna avhandling fokuserar på att undersöka och förbättra noggranhet och robusthet hos befintliga metoder för prediktering av trajektorier. Mer specifikt fokuserar detta arbete på att hantera avvikelser och variationer i datat genom att utforska djupinlärningsmetoder och algoritmer för kontinuelig inlärning. Denna avhandling fokuserar på att undersöka och förbättra noggranhet och robusthet hos befintliga metoder för prediktering av trajektorier. Mer specifikt fokuserar detta arbete på att hantera avvikelser och variationer i datat genom att utforska djupinlärningsmetoder och algoritmer för kontinuelig inlärning. Algoritmen uppviar lovande resultat vid kontinuelig inlärning med förbättrad noggranhet i trajektioieprediktionerna. Arbetet ger värdefulla insikter om betydelsen av kontinuelig och adaptiv inlärninggenom avvikelsedetektering i traktorieprediktering för autonom körning.