随着自动驾驶技术的发展,人们对自动驾驶的安全问题日益关注。当自动驾驶车辆驶入街道,会遇到需要避让行人的情况。为了让自动驾驶车辆在短时间内做出正确的决定来保障行人的安全,研究人员开始对行人的轨迹进行研究,并提出了行人轨迹预测算法。行人未来的运动轨迹不仅受到自己的主观意识影响,还会受到相邻行人的影响,因此行人的轨迹存在随机性和高动态性,这些特性使得行人轨迹预测问题充满挑战。本文的研究内容主要包括以下几个方面:1、为了解决行人轨迹预测模型提取时间相关性和空间交互时丢失关键信息的问题,本文提出基于时空注意力图卷积网络行人轨迹预测模型。具体而言,此模型使用位置编码消除注意力机制中无法识别输入序列元素索引的缺陷。使用图卷积网络耦合时间相关性和空间交互,以解决以往研究未在时间和空间维度上综合考虑行人信息的问题。最后,使用具有比时间卷积网络卷积层更少的层数和较低的计算成本的解码器估计轨迹预测的双高斯分布的参数,提高了模型响应速度。2、为了解决简单的图形结构无法捕获行人之间复杂交互的问题,本文提出了基于社会软注意力机制行人轨迹预测网络。由于人们往往会受到视野中相邻行人的影响,并且随着相对速度的增大和距离的拉近,影响会增加。而基于时空注意力图卷积网络行人轨迹预测模型模型主要考虑了相对距离,缺乏对上述因素的综合考虑。本文提出一种新的社会软注意力机制,它充分考虑了行人之间的相对速度、方向和距离等交互因素对行人未来轨迹的影响。3、为了解决训练样本分布不均匀导致行人轨迹预测模型难以捕捉行人之间正确的社会规范问题,本文提出了基于对比学习的行人轨迹预测模型。由于训练数据都是来自真实世界中人类的安全行为,即都是积极正面的数据,深度学习模型很难捕捉到碰撞等“负面”的数据。通过自我监督对负面例子建模来解决这个问题:（1）根据发生碰撞情况的先验知识构建“负面”样本;（2）对损失函数进行修改,引入了一种社会对比损失函数,通过惩罚“负面”样本的方式来区分“正面”样本进而正则化提取轨迹表示。