Social lstm: Human trajectory prediction in crowded spaces

由于Dense-Captioning Events in Videos中的captioning模块借鉴的是这篇文章，所以浅浅看了一下这篇文章。这篇文章主要目的是预测行人在未来时刻的运动轨迹，特别是在复杂的社交互动场景中，如行人避让、绕行和调整路径等，将轨迹预测问题视为一个序列生成任务。

1.介绍

传统的轨迹预测方法，如“社交力模型”（Social Force Model），使用手工设计的规则来模拟人之间的互动行为，但这些方法有两个主要问题：手工设计规则的局限性，这些方法需要对具体场景进行特殊的建模，难以泛化到复杂的场景；只能考虑邻近的互动，传统方法只能处理近距离的行人之间的即时互动，无法预测未来可能发生的远距离互动。

受到LSTM在不同序列预测任务（比如手写和语音生成）中取得成功的启发，提出该架构，引入一个"社交"池化层，主要是允许空间邻近序列的LSTM共享其隐藏状态。

2.模型

为轨迹预测问题开发了一个基于LSTM模型，场景中每个人的历史位置信息通过一个独立的LSTM网络进行建模和预测，通过引入社交池化层，相邻的LSTM网络可以共享其隐藏状态，这使得模型可以学习到人与人之间的交互。例如，当一个行人避开另一个行人时，他们的LSTM会通过池化层交换信息，帮助模型更好地预测未来的轨迹。基于概率分布进行轨迹预测，模型通过学习后，预测每个行人的未来位置，并通过高斯分布来描述这些位置的不确定性。

LSTM的权重在所有序列之间共享，通过新的池化策略连接相邻的LSTM，实现共享隐藏状态。最小化训练数据集中所有轨迹的损失来训练模型。