是一个卡尔曼滤波比较全而且很详细的应用。有MATLAB程序。

基于马尔可夫链的轨迹预测，可以进行代码编写参考

运动物体的轨迹预测无迹卡尔曼滤波算法实现

基于WiFi定位的轨迹预测的研究和实现，是一篇定位的入门论文

对NGSIM数据做了交互信息处理后的保存的数据集,与原数据集相比,这里面包含了车辆的交互信息。

最新车辆轨迹预测经典书籍，采用多模型进行卡尔曼滤波，结合地图信息进行卡尔曼滤波，结合航迹推断进行卡尔曼滤波，采用智能手机进行轨迹推断等各种方法进行轨迹预测

信息技术 用于轨迹预测的LSTM-RNN网络。 相依性 python-2.7.12 平台 Windows 10（64位） IntelliJ IDEA 2017.2.6版 档案文件 文件 描述 更改 每次提交更改日志。 default.config 默认执行配置为dict字符串（纯文本）。 test.py 运行默认测试的演示脚本。 config.py 涉及配置处理的方法。 utils.py 实用程序方法，包括文件操作，断言，日志记录，交互... dump.py 预测结果转储和平移规则转储的方法。 lstm / __ init__.py lstm模块的初始化文件。 lstm / sampler.py Class Sampler设计用于跟踪样本的读取，加载，保存和更新。 lstm / model.py 实现网络的Class SocialLSTM 。 分辨率/跟

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

首先分析了行人典型动作特征所表示的行走意图，揭示了行人在不同行走轨 迹下的动态特征转移规律；通过 7 层卷积神经网络模型识别行人在不同运动状态 下的典型动作特征，并基于动作特征的变化情况模拟了 4 种行人行走意图变化过 程，简洁明了的表示出行人实际轨迹变化时间点与行走意图改变时间点的差异。 然后对过街行人运动学特性进行分析，揭示了过街行人运动轨迹的变化对无 人驾驶汽车速度控制策略的影响，并结合行人行走意图的综合考虑，提出了基于动 作特征分析的行人轨迹预测算法，提前预测行人轨迹变化情况。 其次综合考虑行人因素(Pedestrian factor)、距离因素(Distance factor)和车速因 素(Speed factor)对主动避撞控制策略的影响，建立了不同轨迹工况下的 PDS 预估 安全距离模型；在此基础上，设计了行人主动避撞算法，通过轨迹交汇时间比较、 速度误差判断等方式规划制动策略，保障行人安全的同时兼顾制动过程的平缓性。 最后搭建 Carsim/Simulink 联合仿真模型，对比分析了传统安全距离模型与本 文所提 PDS 预估安全距离模型的制动距离和制动减速度值，表明 PDS 预估安全距 离模型在行人主动避撞算法中的优势；同时对 5 种行人轨迹变化工况进行仿真分 析，验证了所设计主动避撞算法的有效性；并结合实车试验进一步证明所设计的行 人主动避撞系统的安全性和可靠性。

社会卷积层的轨迹预测Conv.py