社交LSTM：拥挤空间中的人类轨迹预测

人类在复杂拥挤的环境中通行时，依赖于社会规范：尊重个人空间、主动礼让通行权，并避免碰撞。在本研究中，我们提出一种数据驱动的方法，用于学习人与人之间的交互行为，以预测其未来的运动轨迹。这与传统方法形成对比，后者通常依赖于人工设计的函数（如社会力模型）。我们提出一种新型的长短期记忆网络（LSTM）模型，能够对场景中多个个体进行联合推理。不同于传统的LSTM结构，我们引入一种新型池化层，实现多个LSTM之间信息的共享：该层聚合邻近轨迹对应LSTM的隐藏状态表示，从而捕捉局部区域内的交互特征。我们在多个公开数据集上验证了所提方法的性能，结果表明，我们的模型在轨迹预测任务中相比以往方法提升了超过42%。此外，我们对模型预测的轨迹进行了分析，结果表明模型能够自发学习并体现诸如避障行为和群体移动等社会性行为特征。