通过使用 SoFGAN 模型，结合了 GAN、SFM 和 CVAE 模块，能够准确预测人的运动轨迹，降低碰撞风险，且具有低计算成本。

Nov, 2023

通过将序列预测和生成对抗网络的工具相结合，我们成功地解决了自动移动平台中的人体运动行为预测问题，并在准确性，多样性，碰撞避免和计算复杂性方面胜过了以往的工作。

Mar, 2018

本论文提出了 Social-BiGAT，一种基于图形的生成对抗网络，可通过更好地建模场景中行人之间的社交互动来生成逼真的多模态轨迹预测。与现有文献相比，我们通过图形注意力网络（GAT）学习可靠的特征表示来编码场景中人类之间的社会互动，以及逆变换场景和潜在噪音向量之间的关系，相对于其他基准测试结果，该框架实现了最先进的性能。

Jul, 2019

本文提出了一个通用的生成神经模型（称为 Social-WaGDAT），通过引入关系归纳偏差和动态图表示，利用轨迹和场景上下文信息，提供每个代理的未来轨迹分布，从而在多代理轨迹预测中实现显式交互建模，并应用于车辆轨迹预测的运动学约束层，已在三个公共基准数据集上进行了评估和实验证明，相对于各种基线方法，该模型在预测准确性方面表现更佳。

Feb, 2020

为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。

Dec, 2023

本文提出了基于用户控制速度的有条件速度生成式对抗网络 (CSG)，它可以允许可控、不同模态的生成轨迹，并通过搜集和分析具有代表性的轨迹数据生成多模型个性化轨迹。通过比较，该方法不仅可以满足不同场景的仿真需求，而且具备基于最新技术水平的性能，并且简单易用。

Mar, 2021

本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

Apr, 2019

使用对抗生成网络 (GAN) 提出一个通用的多智能体概率预测和跟踪框架，可以更好的对多个实体之间的交互行为进行预测，并在实际车辆行为预测中取得了比传统监督学习更好的性能。

Apr, 2019

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

本文介绍了 SocialInteractionGAN—— 一种新颖的基于数据驱动的对抗性生成网络框架，其旨在以单模态展示的相互作用为重点，以离散多序列生成问题为基础，以建立在递归编码器 - 解码器生成网络和双流鉴别器之上的方法来处理相互作用的生成问题。实验结果表明，SocialInteractionGAN 能成功地生成以人为中心的高真实感互动动作序列，这对社交机器人或人工头像的设计具有重要应用。

Mar, 2021