行人运动行为涉及个体目标与其它智能体之间的社会交互的综合体现。本文提出一种非对称双向循环神经网络架构——U-RNN，用于编码行人轨迹，并评估其在多种预测模型中替代LSTM的适用性。在Trajnet++基准测试上的实验结果表明，U-LSTM变体在各类方法与交互模块下，于所有可用指标（ADE、FDE、碰撞率）上均优于常见的轨迹编码器，表明所提出的方案可作为当前主流序列编码RNN架构的可行替代方案。我们针对Trajnet++基准测试实现的非对称双向RNN代码已开源，地址为：github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-to-encode-pedestrian-trajectories