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

我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

Nov, 2023

本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

Jun, 2020

该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

Jun, 2024

本文提出了一种新颖的深度学习框架，用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道，可保留行人社区的时空结构，从而使我们能够提取描述其社会身份的相关属性，并将群体检测任务公式化为无监督学习问题，不需要通过手动标记的数据库进行监督学习，使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架，对于这两个任务，所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。

Dec, 2018

该研究采用无限高斯混合模型与双向生成对抗网络（IGMM-GAN）结合的方法，实现针对人类移动轨迹的多模态异常检测，此方法不仅能够生成真实的合成数据集，还能够用于在人类移动数据的空间上估计生成功率密度，并对异常轨迹进行检测。

Sep, 2018

GSGFormer 是一个创新的生成模型，能够考虑复杂的相互作用并提供大量潜在的行为模式来预测行人的轨迹。通过采用异构图神经网络捕捉行人、语义地图和潜在目的地之间的相互作用，以及使用 Transformer 模块提取时间特征和采用 CVAE-Residual-GMM 模块生成多样的行为模态，GSGFormer 在多个公共数据集上的评估中不仅超过了领先方法的表现（在数据充足时），而且在数据有限时仍具有竞争力。

Dec, 2023

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

本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

Feb, 2022

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017