針對(duì)長(zhǎng) 短期記憶網(wǎng)絡(luò)（LSTM） 在行人軌跡預(yù)測(cè)問(wèn)題中孤立考慮單個(gè)行人，且無(wú)法進(jìn)行多種可能性預(yù)測(cè)的問(wèn)題，提出基于注意力機(jī)制的行人軌跡預(yù)測(cè)生成模型（AttenGAN），來(lái)對(duì)行人交互模式進(jìn)行建模和概率性地對(duì)多種合理可能性進(jìn)行預(yù)測(cè)。AttenGAN 包括一個(gè)生成器和一個(gè)判別器，生成器根據(jù)行人過(guò)去的軌跡概率性地對(duì)未來(lái)進(jìn)行多種可能性預(yù)測(cè)，判別器用來(lái)判斷一個(gè)軌跡是真實(shí)的還是由生成器偽造生成的，進(jìn)而促進(jìn)生成器生成符合社會(huì)規(guī)范的預(yù)測(cè)軌跡。生成器由一個(gè)編碼器和一個(gè)解碼器組成，在每一個(gè)時(shí)刻，編碼器的LSTM綜合注意力機(jī)制給出的其他行人的狀態(tài)，將當(dāng)前行人個(gè)體的信息編碼為隱含狀態(tài)。預(yù)測(cè)時(shí)，首先用編碼器LSTM的隱含狀態(tài)和一個(gè)高斯噪聲連接來(lái)對(duì)解碼器LSTM的隱含狀態(tài)初始化，解碼器LSTM將其解碼為對(duì)未來(lái)的軌跡預(yù)測(cè)。在ETH和UCY數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，AttenGAN模型不僅能夠給出符合社會(huì)規(guī)范的多種合理的軌跡預(yù)測(cè)，并且在預(yù)測(cè)精度上相比傳統(tǒng)的線性模型（Linear）、LSTM模型、社會(huì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型（ S-LSTM）和社會(huì)對(duì)抗網(wǎng)絡(luò)（ S-GAN）模型有所提高，尤其在行人交互密集的場(chǎng)景下具有較高的精度性能。對(duì)生成器多次采樣得到的預(yù)測(cè)軌跡的可視化結(jié)果表明，所提模型具有綜合行人交互模式，對(duì)未來(lái)進(jìn)行聯(lián)合性、多種可能性預(yù)測(cè)的能力。

　　行人軌跡預(yù)測(cè)是指根據(jù)行人過(guò)去一段時(shí)間 的軌跡，預(yù)測(cè)其未來(lái)的軌跡，該技術(shù)在自動(dòng)駕駛“和服務(wù)機(jī)器人導(dǎo)航中都有著廣泛的應(yīng)用。行人在決策的過(guò)程中比較靈活主觀，甚至完全相同的場(chǎng)景，不同的人都會(huì)采取不同的決策。