Con el objetivo de dominar el nivel 5, un vehículo totalmente automatizado debe estar equipado con sensores para una percepción de 360 grados del entorno. Además de esto, se requiere anticipar las evoluciones plausibles de la escena de tráfico de manera que sea posible actuar a tiempo, no solo reaccionar en caso de emergencias. De esta manera, se puede garantizar una experiencia de conducción segura y fluida. Las complejas dependencias espaciotemporales y la alta dinámica son algunos de los mayores desafíos para la predicción de escenas. Las sutiles indicaciones de las intenciones de otros conductores, que a menudo son intuitivamente claras para el conductor humano, requieren modelos basados en datos, como las técnicas de aprendizaje profundo. Al tratar con incertidumbres y tomar decisiones basadas en datos ruidosos o escasos, los modelos de aprendizaje profundo también muestran un rendimiento muy robusto. En esta encuesta, se presenta una visión general detallada de los modelos de predicción de escenas con un enfoque histórico. Una comparación cuantitativa de los resultados de los modelos revela la dominancia de los métodos de aprendizaje profundo en la investigación actual de vanguardia en esta área, lo que lleva a una competencia en la escala de centímetros. Además, también muestra el problema de la comparación entre modelos, ya que muchas publicaciones no utilizan conjuntos de pruebas estandarizados. Sin embargo, es cuestionable si tales mejoras en la escala de centímetros son realmente necesarias. Se debería dedicar más esfuerzo a tratar de entender las variaciones en el rendimiento de los modelos, identificando si la diferencia se encuentra en los conjuntos de datos (muchas situaciones simples frente a muchos casos extremos) o si es realmente un problema del propio modelo.