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

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

通过引入 Social-Transmotion，我们介绍了一种利用 transformer 处理多样化和大量视觉线索、捕捉人类行为多模态特性的通用模型，在人类轨迹预测任务中翻译自然语言处理中 prompt 的思想并扩充了轨迹数据，从而实现了增强的人类轨迹预测效果。

Dec, 2023

该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

Jan, 2024

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

基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库，并引入地址机制来检索匹配的模式和每个预测的潜在目标分布，从而使得在真实世界场景中的不确定性下，准确地预测人类行为轨迹成为可能。

Jan, 2024

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

基于多模态数据的人体轨迹预测框架，引入结构化记忆元件，采用分层结构式 LSTM 单元模拟记忆内容，通过自动检索重要信息提高效果，并在 40,000 行人轨迹数据集上验证新模型比现有技术更准确预测未来行人运动。

Jul, 2018

本文提出了一种基于时间的变分自编码器的人行道预测方法，该方法结合了社交关注机制和向后后验近似，能够更好地提取行人导航策略，实现了在多个基准测试集上超越现有最先进性能。

Mar, 2022

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