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

本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型，该模型可通过学习社交交互模式，以及先前轨迹信息进行轨迹预测，并在流行的轨迹基准测试中表现出优异的性能。

Feb, 2022

本文提出了一种名为 CSR 的新型轨迹预测方法，由串联的条件变分自动编码器模块和社交感知回归模块组成。实验结果表明，与现有技术相比，在斯坦福无人机数据集（SDD）和 ETH / UCY 上，该方法的表现提高了约 38.0％和 22.2％。

Oct, 2021

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

本文研究车辆自主驾驶等人机交互场景下，预测第一视角的跟随摄像头采集到的行人轨迹，提出一种基于行人行为的对比学习损失、采样策略，辅以 CVAE 生成附加样本，将该对比框架与轨迹预测模型集成可显著提高模型预测效果，在多个基准测试中超过当前最先进的方法。

Jul, 2022

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

研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。

May, 2023

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