论文与代码：链接
文章大致内容：提出一种LSTM-CNN混合网络对密集交通流场景进行轨迹预测，考虑了场景中车辆的交互作用。
效果：在高密度环境优于S-LSTM、S-GAN、CS-LSTM；在稀疏交通流环境，具有相似精度。
数据集：ApolloScape（街景数据，高复杂场景，2D/3D注释）；NGSIM（单一交通流，高速公路）；KITTI（带有2D/3D注释）；TRAF（密集和异构交通，2D/3D轨迹信息）
网络结构组成：包括三层网络，Horizon层（输入：预测的车前视角半椭圆区域代理车辆位置、速度、流量集中度、尺寸）、Neighbor层（输入：预测的车360度椭圆区域代理车辆的位置、速度、流量集中度、尺寸）、Ego层（输入：预测的车自身的位置、速度、流量集中度、尺寸、转角半径、形状等等）；经过网络得到特征向量；最后级联在一起进行轨迹预测
权重分配：蓝色区域分配较大权重（优先避障）
损失函数如下:
评估结果：
