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

本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

Jan, 2016

本文提出了基于群体的社交互动模型，使用递归机制生成社交行为图，并运用图卷积神经网络进行社交互动信息的传递，成功预测了复杂的社交行为。在 ETH 和 UCY 数据集上表现优于现有方法。

Apr, 2020

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

提出了一种社交关注的轨迹预测模型，该模型可以捕获人们在拥挤环境中导航时每个人的相对重要性，不受其接近性的限制。该模型通过对两个公开数据集的表现进行实证分析，对比了现有方法的性能，并分析了训练后的注意力模型，以获得更好地理解人类在拥挤环境中导航时关注周围团队的特点。

Oct, 2017

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

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

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

本文提出了一种应用社交条件变分自动编码器（SocialCVAE）来预测行人轨迹的方法，该方法利用条件变分自动编码器（CVAE）来探索人类运动决策中的行为不确定性，通过使用基于能量的相互作用模型生成交互能量图，提高了行人轨迹预测的准确性。

Feb, 2024

提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

Jun, 2024