提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

首先分析了行人典型动作特征所表示的行走意图，揭示了行人在不同行走轨 迹下的动态特征转移规律；通过 7 层卷积神经网络模型识别行人在不同运动状态 下的典型动作特征，并基于动作特征的变化情况模拟了 4 种行人行走意图变化过 程，简洁明了的表示出行人实际轨迹变化时间点与行走意图改变时间点的差异。 然后对过街行人运动学特性进行分析，揭示了过街行人运动轨迹的变化对无 人驾驶汽车速度控制策略的影响，并结合行人行走意图的综合考虑，提出了基于动 作特征分析的行人轨迹预测算法，提前预测行人轨迹变化情况。 其次综合考虑行人因素(Pedestrian factor)、距离因素(Distance factor)和车速因 素(Speed factor)对主动避撞控制策略的影响，建立了不同轨迹工况下的 PDS 预估 安全距离模型；在此基础上，设计了行人主动避撞算法，通过轨迹交汇时间比较、 速度误差判断等方式规划制动策略，保障行人安全的同时兼顾制动过程的平缓性。 最后搭建 Carsim/Simulink 联合仿真模型，对比分析了传统安全距离模型与本 文所提 PDS 预估安全距离模型的制动距离和制动减速度值，表明 PDS 预估安全距 离模型在行人主动避撞算法中的优势；同时对 5 种行人轨迹变化工况进行仿真分 析，验证了所设计主动避撞算法的有效性；并结合实车试验进一步证明所设计的行 人主动避撞系统的安全性和可靠性。

社会卷积层的轨迹预测Conv.py

基于双层多粒度知识发现的移动轨迹预测模型

轨迹预测(Trajectory Prediction)相关资源列表

令人敬畏的交互感知轨迹预测：有关轨迹预测的最新研究材料精选

The trajectory prediction benchmark consists of 53min training sequences and 50min testing sequences. The data we provide is 2fps in per second. The dataset includes many challenging scenarios where vehicles, bicycles, and pedestrians move among one another.数据集中包括详细的数据描述。

运动物体的轨迹预测，分别使用卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及数据拟合方法实现。本例代码仅含无迹卡尔曼滤波部分代码。 本例仅为本人在研究轨迹预测问题时为理解算法原理所写，针对具体问题请自行斟酌算法适用性。 本例代码详解后续会在本人博客中做具体说明，欢迎讨论！

对高速运动目标采用基于kalman filter进行预测。基于matlab的实现，来进行运动目标的轨迹预测。有卡尔曼算法，扩展卡尔曼滤波，数据拟合方法。

作为卡尔曼滤波预测车辆轨迹用到的CA，CV,CCA,CCV,CTRV,CTRA经典模型