針對長 短期記憶網(wǎng)絡(luò)（LSTM） 在行人軌跡預(yù)測問題中孤立考慮單個行人，且無法進行多種可能性預(yù)測的問題，提出基于注意力機制的行人軌跡預(yù)測生成模型（AttenGAN），來對行人交互模式進行建模和概率性地對多種合理可能性進行預(yù)測。AttenGAN 包括一個生成器和一個判別器，生成器根據(jù)行人過去的軌跡概率性地對未來進行多種可能性預(yù)測，判別器用來判斷一個軌跡是真實的還是由生成器偽造生成的，進而促進生成器生成符合社會規(guī)范的預(yù)測軌跡。生成器由一個編碼器和一個解碼器組成，在每一個時刻，編碼器的LSTM綜合注意力機制給出的其他行人的狀態(tài)，將當(dāng)前行人個體的信息編碼為隱含狀態(tài)。預(yù)測時，首先用編碼器LSTM的隱含狀態(tài)和一個高斯噪聲連接來對解碼器LSTM的隱含狀態(tài)初始化，解碼器LSTM將其解碼為對未來的軌跡預(yù)測。在ETH和UCY數(shù)據(jù)集上的實驗結(jié)果表明，AttenGAN模型不僅能夠給出符合社會規(guī)范的多種合理的軌跡預(yù)測，并且在預(yù)測精度上相比傳統(tǒng)的線性模型（Linear）、LSTM模型、社會長短期記憶網(wǎng)絡(luò)模型（ S-LSTM）和社會對抗網(wǎng)絡(luò)（ S-GAN）模型有所提高，尤其在行人交互密集的場景下具有較高的精度性能。對生成器多次采樣得到的預(yù)測軌跡的可視化結(jié)果表明，所提模型具有綜合行人交互模式，對未來進行聯(lián)合性、多種可能性預(yù)測的能力。

　　行人軌跡預(yù)測是指根據(jù)行人過去一段時間 的軌跡，預(yù)測其未來的軌跡，該技術(shù)在自動駕駛“和服務(wù)機器人導(dǎo)航中都有著廣泛的應(yīng)用。行人在決策的過程中比較靈活主觀，甚至完全相同的場景，不同的人都會采取不同的決策。