本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

Feb, 2019

通过建立深度学习基础的行人运动预测模型，利用 “软性注意力” 和 “硬性注意力” 相结合的方式，成功实现了不需要手工特征处理的异常事件检测，从而在两个公开数据库中取得了比同类研究更优秀的结果。

Feb, 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

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

本文通过利用神经网络的注意力机制和迭代逐步学习的方式，结合环境因素预测市区环境下行人位置的运动，成功构建了一个简单、高效的行人轨迹预测模型，并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面，也能够与 SoTA 模型相媲美地达到相似的性能水平。

Jun, 2022

提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

May, 2017

本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

May, 2017

本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

Sep, 2022

本文提出了四种基于机器学习的时间和距离预测模型，其中最佳模型采用两个并行的基于注意力机制的 LSTM 网络，预测下一次行程的距离和时间的误差为 3.99％，比 LSTM 模型还要好 23.89％。我们同时提出了 TimeSHAP 方法用于解释模型的学习过程。

Mar, 2023

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018