基于深度学习技术的行人轨迹预测方法的审查
Xiang Gu1, Chao Li2, Long Gao2,3
1Yongyou School, Nantong Institute of Technology, Nantong 226001, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
深度学习模型显著提升自动驾驶的行人轨迹预测,优于传统方法. 本调查分析了RNN,GAN,GCN和变压器,为未来的研究提供了一个框架.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 预测行人轨迹对于自动驾驶和智能城市系统至关重要.
- 深度学习模型在处理复杂的行为和社会互动方面已经超越了传统方法.
研究的目的:
- 系统地审查和批判性地分析基于深度学习的行人轨迹预测方法.
- 为循环神经网络 (RNN),生成对抗网络 (GANs),图形卷积网络 (GCNs) 和变压器模型提供结构化检查.
- 为评估这些方法提供一个比较分析框架.
主要方法:
- 对用于行人轨迹预测的深度学习模型的系统文献综述.
- 对四个关键模型家族的分析:RNN,GAN,GCN和变压器.
- 开发一个比较框架,根据标准化标准评估优势和局限性.
- 数据集和评估指标的全面分类.
主要成果:
- 深度学习模型在多模式行为和社会互动预测方面表现出卓越的表现.
- 对比分析揭示了RNN,GAN,GCN和变压器的明显优缺点.
- 识别数据集和评估指标中的既定实践和新兴趋势.
结论:
- 深度学习是行人轨迹预测的主要方法.
- 未来的研究应该集中在语义场景理解,模型可转移性和精度效率权衡上.
- 这项调查提供了历史视角,并指导了未来的研究方向.
