对真实复杂场景中行人的运动轨迹坐标进行准确地预测,在自动驾驶、机器人导航等领域都是非常关键的任务。行人轨迹受到众多因素的影响,基于社会力模型的传统行人运动建模方法不能很好地解决该任务。循环神经网络模型为行人轨迹预测任务提供了新的思路。本文以长短时记忆网络为基础,提出了两种行人轨迹预测模型:(1)结合社会力模型和长短时记忆网络,提出了DSV-LSTM模型,在每个行人的轨迹LSTM中加入了DSV-Pooling操作。DSV-Pooling操作基于相对速度、相对距离和视角广度等因素来建模行人轨迹之间的影响程度,然后与每条轨迹相关的LSTM隐藏状态相结合来表示相互影响信息。DSV-LSTM模型更好地模拟了真实场景下行人轨迹之间的相互影响和行人的运动决策逻辑。(2)结合注意力机制和长短时记忆网络,提出了Dual-Attention模型。在模型中不仅使用了Soft Attention机制建模行人历史轨迹信息对于未来轨迹预测的影响,还利用Self Attention机制考虑了行人之间的相互影响。Dual-Attention行人轨迹预测模型,是一种不需要手动设计相关影响因素和对应参数,完全由数据驱动的端到端行人轨迹预测模型。文章在两个公开真实场景行人轨迹数据集UCY和ETH上验证了DSV-LSTM模型和Dual-Attention模型的有效性。