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

本研究采用场景信息 (Scene-LSTM) 和人类运动轨迹 (Pedestrian movement LSTM) 结合的方式在静态人群中预测人类运动轨迹，其中引入了两层网格结构，探索出现在该网格单元中的常见人类轨迹，在训练预测模型中考虑了共性。相比线性模型和基于已有 LSTM 的方法，本研究所提出方法的目标位置误差有显著降低，与社交交互方法比较则降低了约 80% 的误差。

Aug, 2018

提出了一种结合粒子滤波采样策略和 LSTM-MDL 模型的多模式路径预测方法，可用于安全应用中的风险评估，通过在多种现实场景中进行的实验表明最简单的方法表现最佳。

Apr, 2018

本文提出一种采用循环神经网络 (RNN) 的姿态估计方法，该方法通过权重共享进行优化，成功地解决了多阶段卷积神经网络在视频中应用中的问题，并在两个视频姿态估计基准测试中显著优于当前的最佳方法。

Dec, 2017

自动驾驶或自主移动机器人领域中，预测拥挤场景中行人的轨迹是不可或缺的，因为估计周围行人的未来位置有助于制定政策决策以避免碰撞。本文介绍了一种基于 correntropy 的新机制，不仅可以衡量人与人之间交互的相对重要性，还可以为每个行人建立个人空间。我们进一步提出了一种包含这种数据驱动机制的相互作用模块，可以有效地提取场景中动态人与人之间交互的特征表示，并计算相应的权重来表示不同交互的重要性。为了在行人之间共享这些社交信息，我们设计了一种基于 Long Short-Term Memory（LSTM）网络的相互作用感知架构来进行轨迹预测。我们在两个公共数据集上展示了我们模型的性能，实验结果表明我们的模型可以达到比几种最新方法更好的性能。

Nov, 2023

本文引入一种基于神经网络的方法，通过上半身的追踪信号来实时预测下半身姿态和脚部接触概率，并使用速度表示来增加其可靠性，克服用户身体比例和规模的差异，同时通过逆运动学来保持身体接触以消除漂浮问题。该方法在多个定量评估中表现出了高效性，适用于商用 VR 设备的野外追踪数据。

Mar, 2021

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

本文提出了一种基于 LSTM 和基于网格的卷积神经网络的 3D 网格动画序列合成新方法。该方法采用形状变形表示和三角网格上定义的卷积神经网络提取有用的特征，然后迭代地处理 LSTM 单元格，并提出一种新的共享权重的双向结构来完成给定端点的缺失网格序列。我们的方法在序列预测和补全方面比现有方法在定量和定性方面都更加优越。

Oct, 2018

本研究提出了一种基于 SR-LSTM 的数据驱动状态细化模块，通过消息传递机制激活邻居的当前意图，并共同迭代地完善人群中所有参与者的当前状态，有效提取邻居的社交效应，实现了对于行人轨迹预测的良好效果。

Mar, 2019

本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

Aug, 2019