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

提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

Mar, 2022

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

我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

Jul, 2023

本研究提出使用关注机制进行轨迹预测的 STAR 模型，采用 TGConv 和临时 Transformer 模型，以及可读写的外部记忆模块，以实现复杂的时空交互并实现了 5 个真实世界的行人预测数据集的最新性能。

May, 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

本文介绍了一种基于空间交互转化器 (SIT) 的生成方法，该方法通过注意机制学习行人轨迹的时空相关性，并引入条件变分自动编码器 (CVAE) 框架对行人的未来潜在运动状态进行建模。大规模交通数据集 nuScenes 上的实验结果表明，SIT 的性能优于最先进的方法，并在具有挑战性的 ETH 和 UCY 数据集上得到了验证。

Dec, 2021

自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

May, 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

本篇论文提出使用单个车载摄像头的深度学习方法预测行人轨迹，通过引入可扩展的机器注释方案来解决训练数据不足的问题，并提出了动态轨迹预测器（DTP）来预测未来一秒的行人轨迹，实验证实了该模型的好处。

May, 2019