本文提出了一种新的基于多头注意力的车辆运动预测方法，它能够通过多模态概率密度函数的序列来对道路场景中的所有车辆进行联合预测，不需要机动定义，并且不使用空间网格来表示场景，这使得它比类似模型更加灵活，同时具有交互式联合预测、不确定性估计和多模态性的所有预测能力，结果表明该模型的预测准确率优于同一数据集上的现有模型

Oct, 2019

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019

通过引入 Large Language Models (LLMs)，本研究探究了使用 LLMs 改进行人轨迹预测任务的可能性，通过诱导运动线索生成物体过去 / 观察到的轨迹中的运动线索，并利用混合高斯聚类未来轨迹中的运动线索。我们的方法采用基于 Transformer 的体系结构，包括运动编码器以建模运动模式和社交解码器以捕捉行人之间的社交互动，展示了我们的方法在流行的行人轨迹预测基准数据集 ETH-UCY 和 SDD 上的有效性，并进行了多个消融实验来验证我们的方法。

Mar, 2024

本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

Feb, 2019

基于多模态数据的人体轨迹预测框架，引入结构化记忆元件，采用分层结构式 LSTM 单元模拟记忆内容，通过自动检索重要信息提高效果，并在 40,000 行人轨迹数据集上验证新模型比现有技术更准确预测未来行人运动。

Jul, 2018

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023

该论文介绍了一种新型的 3DOF 步行者轨迹预测方法，使用测距传感器学习和预测 3DOF 姿态轨迹，结合长期时间信息和短期姿态观测作为输入，使用 T-Pose-LSTM 模型进行训练和预测，相较于传统的基于 2D 机器视觉的方法，适用于环境和时间的上下文相关人类活动，已在长期移动机器人部署的人体轨迹预测方面取得了最新进展。

Sep, 2017

本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型，同时考虑了静态障碍物和周围行人，通过与现有方法的比较，证明了该模型在预测准确性和计算效率方面的优异性，并表明在有障碍物的环境中，考虑静态障碍物对运动预测的重要性。

Sep, 2017

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019