摘要
近几十年来，由于其在诸多现实场景中的广泛应用——如疏散情境分析、智能交通系统部署、交通运营管理等——人类轨迹预测已成为一个活跃的研究领域。早期研究主要依赖领域知识手工设计轨迹表征方式。然而，在人群密集环境中，社会交互不仅类型多样，且往往极为微妙。近年来，深度学习方法已超越传统手工设计方法，因其能够以更通用的数据驱动方式自动学习人与人之间的交互关系。在本研究中，我们对现有的基于深度学习的社会交互建模方法进行了深入分析，并提出了两种基于知识的、数据驱动的方法，以更有效地捕捉复杂的社会交互行为。为客观评估各类基于交互的轨迹预测模型的性能，我们构建了一个大规模、以交互为中心的基准数据集TrajNet++，该数据集填补了人类轨迹预测领域长期缺失的重要组件。此外，我们提出了若干新颖的评估指标，用于衡量模型生成符合社会规范轨迹的能力。在TrajNet++上的实验结果验证了所提指标的有效性，同时表明，我们的方法在真实世界与合成数据集上均优于现有主流基线模型。