随着科技的发展,智能设备在日常生活中的应用越来越普遍,这些智能设备产生了海量的轨迹数据,对这些轨迹数据的分析和充分应用的需求日益迫切。学习历史轨迹模态、理解行人运动模式进行轨迹预测是无人驾驶、具有社会意识机器人等众多应用方向中具有挑战的关键问题。当前研究人员提出了多种轨迹预测方法,包括基于线性函数的方法、基于统计学的方法和基于深度学习的方法。其中,基于线性函数的方法不能对复杂运动建模,只能在较少的预测周期内保持准确度。基于统计学的方法,虽然能够融合轨迹上下文信息,但是这些方法处理高维数据并非易事,同时也很难人为设计出在一般情况下都可以使用的方法。近年来兴起的基于深度学习的方法,研究人员提出的方法主要集中在两个方面,一种是关注物理环境对行人轨迹的影响来预测未来轨迹的方法,另一种是对目标行人的社会交互进行建模来预测未来轨迹的方法,而很少有方法将物理环境和社会交互同时考虑。对于目前轨迹预测方法中存在的问题,本文提出了一种准确性更高,鲁棒性更强的场景约束GAN轨迹预测模型。该模型可以同时考虑行人运动特性,场景信息对于行人轨迹决策的约束信息以及行人与其它行人之间的相互作用,采用GAN训练模式,以生成更加真实的样本,并通过对其轨迹分布建模捕获未来轨迹的不确定性。在生成器中,由于LSTM能够学习行人在轨迹数据中的运动模式,其隐含层可以长时间“记忆”历史轨迹信息,因此,利用LSTM构建了一个编码-解码器对行人轨迹数据进行处理。其次,考虑到目标行人与其他行人之间的相互作用,构建了一个池化模块,在池化模块中通过行人之间的相对位置模拟相互作用。最后,考虑场景信息对于行人轨迹决策的约束信息,本文采取卷积神经网络提取场景语义特征,将场景语义特征与包含有行人运动模式、行人之间相互作用的特征向量融合获得高维向量,利用该高维向量,可以获得更精确的轨迹预测结果。此外,基于本文提出的轨迹预测方法,设计并实现了基于场景约束GAN行人轨迹预测系统。根据系统从整体到局部的设计,实现完成了模型训练、轨迹预测两大功能模块,并为两大模块开发了操作界面和数据校验、错误提示等功能,以使系统功能完善,操作简单。实验结果表明,本文提出的基于场景约束GAN行人轨迹预测方法与其它轨迹预测方法相比预测结果更精确。在平均位移误差和最终位移误差两个标准下,都优于其它方法。