摘要 準確預測行人軌跡，是自主系統在與人類共享的環境中運作時的一項基本需求。本論文提出 人類軌跡預測模型（Human Trajectory Prediction Model， HTPM），這是一種用於多智能體行人 軌跡預測的機率式潛在變數架構。HTPM 使用具有時間注意力池化的長短期記憶網路（Long Short-Term Memory， LSTM）局部時間編碼器，對每一位智能體的觀測運動歷史進行編碼。情境 投影層將所得的智能體嵌入映射為精簡表示，而輕量化全域聚合器則透過跨智能體的注意力池 化形成場景層級描述子。條件式潛在模組參數化一個對角高斯先驗，並在訓練期間參數化一個 變分對角高斯後驗。取樣得到的潛在碼由自迴歸門控循環單元（Gated Recurrent Unit， GRU）解 碼器進行解碼；該解碼器以涵蓋完整預測時間範圍的多步負對數似然目標進行訓練。 本模型在 ETH-UCY 基準上進行評估，使用五個標準行人場景：ETH、Hotel、Univ、Zara-1 與 Zara-2。在留一法（leave-one-out）best-of-20 協定下，HTPM 在五個資料分割上的平均 ADE 為 0.1174 m，平均 FDE 為 0.1969 m；場景層級 ADE 的範圍從 Zara-2 的 0.099 m 到 ETH 的 0.145 m。另於 Stanford Drone Dataset（SDD）上進行額外評估，並採用 PECNet/Y-Net 的像素 空間前處理慣例（÷20），得到 ADE = 5.97 ± 0.03 pixels 與 FDE = 9.12 ± 0.08 pixels，結果來自 100 次獨立測試執行。這些結果顯示，在所述前處理設定下，隨機取樣具有穩定性；然而，更 廣泛的跨資料集泛化仍取決於資料集尺度與攝影機幾何條件。 本論文亦提出一套運動感知視覺化流程，結合 YOLOv12x 行人偵測、BYTETracker 身分追 蹤與 HTPM 軌跡預測。三層級運動分類器會對靜止智能體抑制預測扇形，對慢速移動智能體繪 製精簡扇形，並對步行智能體顯示五假設扇形。ETH Hotel 與 Zara-1 上的定性範例顯示，在所 選影格中，該方法能減少視覺雜訊，並改善預測扇形與觀測運動方向之間的對齊。HTPM 含有 516 K 個參數，需要 28 M 次乘加運算（multiply-accumulate operations， MACs），並在 NVIDIA RTX 3090 GPU 上達到每位智能體平均 23 µs 的推論延遲，支持即時桌上型 GPU 推論，並為未 來與機器人導航系統整合提供動機。 關鍵詞：軌跡預測、行人運動、潛在變數模型、變分推論、LSTM、GRU、ETH-UCY、Stanford Drone Dataset、BYTETracker、運動分類、自主系統。;Abstract Accurate prediction of pedestrian trajectories is a fundamental requirement for autonomous systems operating in shared human environments. This thesis presents the Human Trajectory Prediction Model (HTPM)， a probabilistic latent-variable architecture for multi-agent pedestrian trajectory prediction. HTPM encodes each agent’s observed motion history using a Long Short- Term Memory (LSTM) local temporal encoder with temporal attention pooling. A context projection layer maps the resulting agent embedding into a compact representation， and a lightweight global aggregator forms a scene-level descriptor through attentive pooling across agents. A conditional latent module parameterises a diagonal Gaussian prior and， during training， a variational diagonal Gaussian posterior. Sampled latent codes are decoded by an autoregressive Gated Recurrent Unit (GRU) decoder trained with a multi-step negative log-likelihood objective over the full prediction horizon. The model is evaluated on the ETH-UCY benchmark using the five standard pedestrian scenes: ETH， Hotel， Univ， Zara-1， and Zara-2. Under the leave-one-out best-of-20 protocol， HTPM obtains a mean ADE of 0.1174 m and a mean FDE of 0.1969 m across the five splits， with scene- level ADE ranging from 0.099 m on Zara-2 to 0.145 m on ETH. Additional evaluation on the Stanford Drone Dataset (SDD)， using the PECNet/Y-Net pixel-space preprocessing convention (÷20)， gives ADE = 5.97 ± 0.03 pixels and FDE = 9.12 ± 0.08 pixels over 100 independent test runs. These results indicate stable stochastic sampling under the stated preprocessing settings， while broader cross-dataset generalisation remains dependent on dataset scale and camera geometry. The thesis also introduces a motion-aware visualisation pipeline that combines YOLOv12x pedestrian detection， BYTETracker identity tracking， and HTPM trajectory prediction. A three- tier motion classifier suppresses prediction fans for stationary agents， renders compact fans for slow-moving agents， and displays five-hypothesis fans for walking agents. Qualitative examples on ETH Hotel and Zara-1 illustrate reduced visual clutter and improved alignment between predicted fans and observed motion direction in selected frames. HTPM contains 516 K parameters， requires 28 M multiply-accumulate operations (MACs)， and achieves a mean inference latency of 23 µs per agent on an NVIDIA RTX 3090 GPU， supporting real-time desktop-GPU inference and motivating future integration with robotic navigation systems. Keywords: Trajectory Prediction， Pedestrian Motion， Latent Variable Model， Variational Infer- ence， LSTM， GRU， ETH-UCY， Stanford Drone Dataset， BYTETracker， Motion Classification， Autonomous Systems.
