Das Verhalten von Fußgängern beruht auf einer Kombination individueller Ziele und sozialer Interaktionen mit anderen Agenten. In diesem Artikel stellen wir eine asymmetrische bidirektionale rekurrente neuronale Netzwerkarchitektur namens U-RNN vor, die Fußgängertrajektorien kodiert und deren Relevanz für eine mögliche替代 von LSTMs in verschiedenen Vorhersagemodellen evaluiert. Experimentelle Ergebnisse auf der Trajnet++-Benchmarks zeigen, dass die U-LSTM-Variante in Bezug auf alle verfügbaren Metriken (ADE, FDE, Kollisionsrate) gegenüber gängigen Trajektorien-Encodern für eine Vielzahl von Ansätzen und Interaktionsmodulen bessere Ergebnisse erzielt, was darauf hindeutet, dass der vorgeschlagene Ansatz eine praktikable Alternative zu den etablierten rekurrenten Netzwerken zur Sequenzkodierung darstellt.Unsere Implementierung der asymmetrischen Bi-RNNs für die Trajnet++-Benchmarks ist verfügbar unter: github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-to-encode-pedestrian-trajectories