王天保，刘 昱，郭继昌，晋玮佩

(1.天津大学 微电子学院，天津 300072；2.天津大学 电气自动化与信息工程学院，天津 300072)

在城市街道等密集行人场景中，自动驾驶车辆、机器人等运动主体需要根据其他行人的位置规划自身路径，通过对目标的位置预测得以保持安全距离并排除风险因素，行人未来位置预测的准确性对于运动主体的决策系统至关重要[1].行人轨迹预测是一项复杂任务，由于每个行人自身的运动习惯有着天然差异，并且群体环境中存在人与人的交互，个人的运动模式会受到周围行人隐含的影响，人们会遵循社会规则方面的常识来调整自己的路线，运动主体需要预测他人的动作和社会行为[2].构建具有较高可解释性和泛化能力的行人交互模式是轨迹预测问题的重点.

早期的行人轨迹预测使用手工设计特征的方法构建社会力量(social force, SF)[3-4]模型，由此表示行人在运动过程中相互吸引和排斥的情况，然而完全依靠手工设计特征难以表示复杂场景中隐含的交互行为.近年来以数据驱动为主导的循环神经网络(recurrent neural network, RNN)编解码结构广泛应用于轨迹预测任务，具有代表性的是Alahi等[5]使用长短期记忆网络(long short-term memory, LSTM)[6]编码器-解码器结构，通过社交池化(social-pooling)获取不同距离行人间的依赖关系，从而表现个体间隐含的交互信息；Gupta等[7]将轨迹预测看作序列生成问题，使用生成对抗网络(generative adversarial networks, GAN)体现轨迹的多模态性质，并且对历史轨迹编码进行最大池化(max-pooling)，生成社交可接受的轨迹；……