自主车辆与行人共享空间时，规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法，研究了与行人 - 车辆交互作用相关的特定考虑因素，并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差异等不同变量。同时，文章也提供了包含行人和车辆轨迹数据的数据集概述，讨论了未来工作的研究空白和方向，如在深度学习方法中更有效地定义交互主体以及在无结构环境中收集更多混合交通数据集的需求。

Aug, 2023

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

Euro-PVI 数据集更好地模拟了密集城市场景中的行人和自行车与车辆的交互，我们提出 Joint-$eta$-cVAE 方法通过学习多模态共享潜在空间，更好地模拟了未来轨迹的分布，实现了在 nuScenes 和 Euro-PVI 数据集上的接近最优的结果。

Jun, 2021

本文提出了一种基于强化学习算法的行人模拟方法，专门针对边缘案例下自动驾驶控制器的不足，并且能够产生更严重的碰撞，以便在复杂多变的情况下识别并纠正自动驾驶算法的缺陷。

Jun, 2023

通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

Mar, 2024

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

本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

Jun, 2017

本研究开发了一种预测多个行人之间交互的模型，采用了博弈论和基于深度学习的视觉分析相结合的方法，可以更好地解释人类的互动，相比现有技术的最先进方法提升 25% 的预测精度。

Apr, 2016

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

研究自动驾驶汽车在交叉口附近准确预测行人运动的能力，提出了基于逆强化学习的可转移行人运动预测算法，并且通过实验表明，该算法在传输任务中的精度提高了 16%。

Mar, 2018