通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

Jul, 2019

我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失，能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比，在保持准确性的同时，实现了高速的推理时间。该方法适用于实时的机器人应用。

Apr, 2023

使用 SocialCircle 方法可以提高行人轨迹预测性能，并更好地考虑社交交互，与人类直觉一致。

Oct, 2023

本研究通过提出 Social-STGCNN 方法，并将交互建模为图形而避免聚合方法的使用，提高人类与自主车辆之间模型交互的时效及准确性，同时提高参数及推理速度，且即使训练数据量减少可仍得出表现优异的结果。

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

本文介绍了一种新颖的架构，称为 GP 图，它具有有效的集体群表示法来预测拥挤环境下人行路径，同时兼容所有现有方法。GP-Graph 模型了解了个体和群体之间的关系，通过图形表示来表征它们，为个人之间的关系和一组之间的关系建立了图形交互，并在这些交互中推断社交可接受的未来轨迹的概率图。

Jul, 2022

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

本文提出了一种名为 “对称学习” 的方法，利用人类轨迹的前向和后向可预测性，开发了一种新的人类轨迹预测方法，利用正反两个网络进行联合学习。同时，借鉴了深度神经网络的对抗攻击思想，设计了一种新的 “对称攻击” 方法，能够进一步提高预测精度。实验结果表明，该方法优于现有的人类轨迹预测方法。

Apr, 2020

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

本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能，同时提出了大规模基于交互的 TrajNet++ 基准，并在真实和合成数据集上进行了实验，验证了文中方法的可靠性。

Jul, 2020