1. Social LSTM: Human Trajectory Prediction in Crowded Spaces

Alahi, A., Goel, K., Ramanathan, V., Robicquet, A., Fei-Fei, L., & Savarese, S. (2016). Social lstm: Human trajectory prediction in crowded spaces. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 961-971).

1. Introduction

• 对周围环境的语义理解对预测有很大帮助
• 建立人-人之间的相互作用模型能提高多物体追踪的鲁棒性和精确度（social forces）

影响上述工作的两个假设：

1. 对于物体相互之间的作用是人为手动建模，不是通过数据驱动
2. 预测时间短

LSTM的优缺点：

LSTM对不同的序列预测任务很成功：handwriting and speech generation

优：能预测长序列

缺：不能得到序列直接的相互关系

2. Model

建立模型的目的：

which can account for the behaviour of other people within a large neighbourhood, while predicting a person’s path.

2.1 Social LSTM

空间相邻的两个LSTM之间用池化层来相互分享信息。

遇到的问题：

拥挤场景中每个人相邻的人数量不一样—->解决办法，”Social“ pooling layers