交互感知轨迹预测资源精选
Awesome-Interaction-Aware-Trajectory-Prediction
⭐⭐⭐☆☆ (3/5)
🧩 软硬件结合
已发布
项目简介
A selection of state-of-the-art research materials on trajectory prediction
这是一个专注于交互感知轨迹预测领域的开源资源汇总项目，由斯坦福大学和加州大学伯克利分校的研究者共同维护。项目核心价值在于系统性地整理了该方向的前沿研究资料，包括数据集、学术论文、公开代码和博客文章，为学术界和工业界的研究者提供了一站式的知识索引。
标签
项目特点
**全面资源清单**：系统整理了轨迹预测领域的主流数据集、综述论文和研究论文。
**多智能体交互**：重点聚焦于多智能体（车辆、行人、自行车等）交互场景下的轨迹预测。
**持续更新维护**：由领域内专家维护，版本已更新至2.0，确保资源的时效性。
**社区驱动**：鼓励用户通过Pull Request贡献新资源，促进知识共享。
技术规格
| 项目类型 | |
|---|---|
| 维护者 | |
| 当前版本 | |
| 最后更新 | |
| 主要领域 | |
| 核心主题 |
项目资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Waymo Open Dataset | 1 | — | 车辆/行人/自行车，城市/高速 |
| Argoverse | 1 | — | 车辆/行人，城市/高速 |
| nuScenes | 1 | — | 车辆，城市 |
| highD | 1 | — | 车辆，高速 |
| BDD100k | 1 | — | 车辆/行人/自行车，高速/城市 |
| KITTI | 1 | — | 车辆/行人/自行车，高速/乡村 |
| UCY | 1 | — | 行人，城市 |
| ETH | 1 | — | 行人，城市 |
| Stanford Drone | 1 | — | 车辆/行人/自行车，城市 |
| NBA SportVU | 1 | — | 篮球运动员 |
所需工具
| 工具 | 用途 | 是否必需 |
|---|---|---|
| 深度学习框架 (PyTorch/TensorFlow) | 实现和训练轨迹预测模型 | ✅ 是 |
| Python | 数据处理和模型开发 | ✅ 是 |
| Git | 版本控制和资源管理 | ✅ 是 |
能力画像
记忆与知识检索
3/5
逻辑推演
3/5
表达与交流
2/5
感知与观察
1/5
数理与计算
4/5
动手与操作
1/5
狂热与坚持
2/5
创造与创新
3/5
所需技能
🔧 **动手能力**：无需硬件动手能力，主要是代码和数据处理。
💻 **编程能力**：需要具备Python编程和深度学习框架（如PyTorch）的使用经验，能够复现论文代码。
⚡ **电子电路**：无需电子电路知识。
适用场景
**学术研究**：作为轨迹预测领域的文献综述和数据集查找的起点。
**工业研发**：为自动驾驶、机器人导航等应用提供最新的算法参考。
**课程学习**：作为研究生或高年级本科生学习多智能体系统和预测模型的参考资料。