摘要
轨迹预测在多个领域中受到广泛关注，研究者们已探索了众多基于模型与无模型的方法。前者包括基于规则、几何或优化的模型，后者则主要由深度学习方法构成。本文提出一种融合两类方法的新范式，基于一种新型神经微分方程模型。我们提出的新型模型（神经社会物理学模型，Neural Social Physics，简称NSP）是一种深度神经网络，其中嵌入了一个具有可学习参数的显式物理模型。该显式物理模型为行人行为建模提供了强有力的归纳偏置，而网络其余部分则在系统参数估计与动态随机性建模方面展现出强大的数据拟合能力。我们在6个公开数据集上将NSP与15种近期深度学习方法进行对比，结果表明，NSP在性能上相较当前最先进方法提升了5.56%至70%。此外，我们验证了NSP在极端场景下的优异泛化能力，其在行人密度达到测试数据2至5倍的复杂场景中仍能生成合理且可信的轨迹预测。最后，我们证明NSP中的物理模型能够为行人行为提供可解释的机理分析，克服了传统黑箱深度学习模型缺乏可解释性的缺陷。代码已开源：https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics。