行人轨迹预测方法综述

 【摘 要】随着深度学习技术的突破和大型数据集的提出，行人轨迹预测的准确度已经成为人工智能领域的研究热点之一。主要对行人轨迹预测的技术分类和研究现状进行详细的综述。根据模型建模方式的不同，将现有方法分为基于浅层学习的轨迹预测方法和基于深度学习的轨迹预测方法，分析了每类方法中具有代表性的算法的效果及优缺点，归纳了当前主流的轨迹预测公开数据集，并在数据集中对比了主流轨迹预测方法的性能，最后对轨迹预测技术面临的挑战与发展趋势进行了展望。

【关键词】轨迹预测 ; 深度学习 ; 序列决策

1.引言

人们生活中出现了越来越多的智能自主系统，这些系统感知、理解和预测人类行为的能力变得越来越重要。具体来说，预测智能体（agent）的未来位置并根据这些预测进行规划是自动驾驶车辆、服务机器人和高级监控系统（包括智能交通或者智能城市）的关键任务。理解人体运动是智能系统与人类共存和互动的一项关键技能，其涉及表征、感知和运动分析等方面。而预测在人体运动分析中起着重要的作用，随着时间的推移，模型可对涉及多个智能体的场景进行预测，并以主动的方式对这些场景信息进行整合，即增强主动感知、预测性规划、模型预测性控制或人机交互的效果。因此，近年来行人轨迹预测在多个领域中受到越来越多的关注，例如自动驾驶汽车、服务机器人、智能交通、智慧城市等领域。

保证交通场景中道路使用者的自身安全是自动驾驶车辆被普及应用的前提条件。行人作为交通场景中的主要参与者，对其未来运动轨迹的合理推理和预测对于自动驾驶和道路安全至关重要。行人轨迹预测的难点在于以下3点。首先，行人运动灵活，精准预测其未来的运动轨迹几乎是一个不可能完成的任务，但是通过观察其历史时刻的运动轨迹，利用一些算法可以大致推测出