{
  "paper_id": "1f3aabca69ef0f951eb6d1b2a224003d",
  "paper_title": "基于深度学习的行人轨迹预测综述：挑战与解决方案",
  "paper_authors": [
    "Jiaming Jiang",
    "Kai Yan",
    "Xindong Xia",
    "Biao Yang"
  ],
  "publication_date": "2025-02-05",
  "publication_venue": "Sensors",
  "abstract": "行人轨迹预测广泛应用于智能交通系统、自动驾驶和社会机器人等领域。精确预测周围行人的未来轨迹有助于智能体实现更好的运动规划。目前，基于深度学习的轨迹预测方法通过学习轨迹数据，展现出优于传统方法的预测性能。然而，这些方法在提高预测准确性、效率和可靠性方面仍面临诸多挑战。本综述研究了基于深度学习的行人轨迹预测方法中的主要挑战，并通过文献收集和分析研究该问题及其解决方案。具体而言，我们首先调查并分析了现有的行人轨迹预测文献和综述，在此基础上总结了基于深度学习的行人轨迹预测面临的几个主要挑战，包括运动不确定性、交互建模、场景理解、数据相关问题和预测模型的可解释性。随后，我们总结了针对每个挑战的解决方案。接着，我们介绍了主流的轨迹预测数据集，并分析了其上报告的最先进（SOTA）结果。最后，我们讨论了轨迹预测的潜在研究前景，旨在推动轨迹预测社区的发展。",
  "keywords": [
    "trajectory prediction",
    "motion uncertainty",
    "interaction modeling",
    "scene semantic understanding",
    "interpretability"
  ],
  "paper_institutions": [
    "Wang Zheng Institute of Microelectronics, Changzhou University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:43.055326Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对基于深度学习的行人轨迹预测方法进行了系统性综述，重点关注该领域面临的五大核心挑战：运动不确定性、交互建模、场景理解、数据相关问题和模型可解释性。针对每项挑战，文章详细梳理了现有解决方案，例如通过多样性预测（如GAN、CVAE）、扩散模型和目标预测来应对运动不确定性；通过时空融合和未来交互建模解决交互问题；通过场景-轨迹融合和因果推断处理场景理解；通过缺失值填补和长尾分布处理数据问题；通过结合手工方法或机器学习方法增强可解释性。文章还介绍了主流数据集（如SDD、ETH/UCY、NBA、JAAD/PIE）及其上的SOTA结果，并分析了不同方法的性能差异。最后，文章提出了未来研究方向，包括异构智能体轨迹预测、轻量化模型、模型鲁棒性以及轨迹预测与运动规划的集成。核心机制方面，轨迹预测的形式化定义为基于历史轨迹和场景信息预测未来K条轨迹，数学上表示为 $\\hat{Y}_{i,K}^{\\tau}=f_{\\mathrm{T P}}\\left(X_{i}^{T},~X_{1:N\\backslash i}^{T},S\\right)$，其中ADE和FDE是主要评估指标。\n\n### 关键要点\n- 本文总结了基于深度学习的行人轨迹预测面临的五大挑战：运动不确定性、交互建模、场景理解、数据相关问题和模型可解释性。\n- 运动不确定性可通过多样性预测（GAN、CVAE）、扩散模型和目标预测三种策略缓解，其中TDOR和MUSE-VAE在SDD上取得较好性能（ADE分别为6.77和6.36）。\n- 交互建模方法包括社会池化、注意力机制和图神经网络，以及时空融合和未来交互建模，但当前方法仅依靠运动数据难以建立精确的交互模型。\n- 场景理解通过语义分割或CNN提取场景特征，并与轨迹特征融合，同时利用因果推断（如反事实分析）消除环境偏差，提高模型在新环境中的泛化能力。\n- 数据问题包括缺失值和长尾分布，解决方法有模仿学习、图神经网络、对比学习和集成学习，但这些方法只能抑制问题，不能完全解决。\n- 可解释性通过结合离散选择模型、决策树或贝叶斯神经网络等手工或机器学习方法实现，但往往牺牲一定的预测精度。\n- 主流数据集包括SDD、ETH/UCY、NBA和JAAD/PIE，其中CSR在SDD上取得最佳ADE/FDE（4.87/6.32），BNSP-SFM在ETH/UCY上平均ADE/FDE为0.16/0.24。\n- 评估指标主要为平均位移误差（ADE）和最终位移误差（FDE），分别计算预测轨迹与真实轨迹的平均距离和最终时刻距离。\n- 未来研究方向包括异构智能体预测、轻量化模型、模型鲁棒性以及轨迹预测与运动规划的集成，以提升实际应用价值。\n- 轨迹预测公式为 $\\hat{Y}_{i,K}^{\\tau}=f_{\\mathrm{T P}}\\left(X_{i}^{T},~X_{1:N\\backslash i}^{T},S\\right)$，其中历史轨迹、邻居轨迹和场景信息作为输入，输出K条候选轨迹。\n- 数据缺失值源于遮挡、传感器限制等，长尾分布导致模型对复杂运动模式学习不足，可通过对比学习等方法改善。\n- 可解释性不足限制了模型在安全关键场景中的应用，未来可探索利用大语言模型提供解释，但需注意其幻觉和计算开销问题。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}