《Future Internet》：A Survey of LSTM Pedestrian Intention Prediction and Lightweight Methods for Intelligent Guide Sticks
视觉障碍人群的出行问题是一个亟需关注的全球性问题。尽管智能导盲杖通过多传感器融合和嵌入式算法提供障碍物检测和预警，但现有系统普遍无法对动态障碍物（如行人和车辆）的时间运动模式进行建模，从而阻碍了意图预测和主动避障。长短期记忆网络（LSTM）凭借其门控机制，有效捕捉轨迹中的长期依赖关系，并提供了一种有前景的解决方案。本研究综述在智能导盲杖的资源约束下，将LSTM与其他主流时间模型进行了比较分析，发现LSTM在时间建模能力、轻量化成熟度和边缘部署可行性方面表现出良好的组合。研究人员将五种轻量化技术——架构简化、低秩分解、结构化剪枝、量化和知识蒸馏——进行了分类，并考察了它们在典型平台上的压缩效果、精度保持和硬件适用性。此外，本综述调查了语音引导、基于轨迹预测的避障、定位与导航、边缘计算和互联网协作中的应用案例，探索了LSTM在智能导盲杖场景中的多样化潜力。研究结果表明，经过轻量化处理后，LSTM模型能够满足资源受限边缘设备的部署要求，表明它们在资源受限硬件平台上具有潜在可行性。然而，现有应用在平衡实时性与精度、满足严苛资源约束以及缺乏在真实智能导盲杖原型上的端到端验证等方面仍面临挑战。综述的证据表明，基于LSTM的预测代表了智能导盲杖从被动响应向主动预测过渡的一条有前景且具有实际价值的路径。未来的研究应优先考虑实际部署验证、领域特定数据收集以及软硬件协同设计，以充分发挥其潜力。
1. 引言
视觉障碍人群的出行问题是一个全球性议题，亟需关注。传统白手杖仅能通过物理接触检测地面障碍物，无法检测腰部或头部高度的悬挂障碍物，且需要系统性的定向与行动训练。智能导盲杖通过多传感器融合和嵌入式算法实现障碍物检测与预警，成为辅助移动的重要研究方向。然而，现有典型系统——如基于LiDAR和RGB-D相机[2]、YOLO-Fastest[3]、SenseStride[4]以及新兴的边缘-云协同平台[5,6,7,8]——虽然能够进行目标识别和距离预警，但普遍无法对行人和车辆等动态障碍物的时间运动模式进行建模，导致意图预测和主动避障困难。长短期记忆网络（LSTM）[9]通过遗忘门、输入门和输出门的协同控制，有效缓解传统循环网络的梯度消失和爆炸问题，能够稳定捕捉动态障碍物轨迹中的长期依赖关系，为引入智能导盲杖系统提供了理论基础。尽管已有关于智能导盲杖硬件、通用深度学习压缩和行人轨迹预测的独立综述，但从任务-硬件-算法协同设计角度整合这三个领域的研究仍然缺乏。本综述旨在评估LSTM在智能导盲杖场景中的适用性，综合轻量化部署方法，并识别算法验证与工程实现之间的关键差距。
2. 方法
本综述旨在调查基于LSTM的行人意图预测及轻量化部署在智能导盲杖中的技术景观和研究进展。数据库来源包括IEEE Xplore、Web of Science、Scopus、PubMed和中国知网（CNKI），检索时间范围为1997年1月至2026年6月。检索关键词组合包括“LSTM”、“long short-term memory”、“pedestrian trajectory”、“intention prediction”、“guide stick”和“smart cane”。文献纳入原则包括：(1)涉及LSTM在行人轨迹或意图预测中的研究；(2)涉及模型压缩、量化、剪枝或其他轻量化技术以及嵌入式或边缘部署的研究；(3)与辅助导航设备、智能导盲杖或视觉障碍辅助系统相关的研究。优先考虑经同行评审的期刊论文和会议论文，具有重要技术贡献的代表性预印本和技术报告也予以考虑。本文采用叙事性综述结构，旨在以连贯的方式组织技术演进、主流方法和工程挑战。
3. 智能导盲杖系统概述
智能导盲杖通过多传感器融合和嵌入式算法实现环境感知和交互反馈。现有系统普遍采用“感知-决策-反馈”三层硬件架构，在障碍物检测和距离预警方面取得一定进展，但在动态障碍物的意图预测和主动避障方面仍显著受限。
3.1 典型硬件架构
感知层集成了多种互补传感器。超声波传感器提供2 cm至450 cm的基本测距，具有厘米级精度；飞行时间（ToF）传感器提供更高精度（±5 mm），适用于中距离检测；2D LiDAR实现360°全方位扫描，支持环境轮廓测绘和基于SLAM的定位；RGB-D相机同时捕获彩色图像和深度信息，支持包括行人、车辆和交通灯在内的86类物体识别；惯性测量单元（IMU）通过三轴加速度计、陀螺仪和磁力计监测手杖姿态和用户运动状态。决策层作为计算核心，负责传感器数据融合和算法执行。嵌入平台根据算力与功耗进行权衡：高性能平台如NVIDIA Jetson Nano提供高达472 GFLOPS（5–10 W），中端平台如Raspberry Pi 4运行于3–5 W，超低功耗平台如STM32系列微控制器仅消耗0.1–0.5 W。现场可编程门阵列（FPGA）提供纳秒级精度定时和硬件级图像处理加速。反馈层通过多模态交互将处理后的环境信息传递给用户：语音反馈通过骨传导耳机或小型扬声器传递障碍物类型、距离和方向等信息；振动反馈通过偏心旋转质量电机提供触觉信号，振动频率和强度根据障碍物距离分级：安全距离（>150 cm）无反馈，注意距离（80–150 cm）低频振动，警告距离（30–80 cm）中频振动，危险距离（<30 cm）高频振动。
3.2 功能需求与技术指标
智能导盲杖的功能需求涵盖障碍物检测、目标识别、实时预警、定位导航、续航能力和硬件资源约束等多个维度。障碍物检测需实时检测前方、上方和地面障碍物，典型方案使用超声波或ToF传感器，检测周期建议保持在60 ms以上（约16 Hz）。行人及车辆识别需区分障碍物类型以辅助决策，基于改进YOLOv5算法[2]可识别基准数据集中86类物体，人行横道识别率84.6%，车辆识别率71.8%，系统处理帧率维持在25–26 fps。实时预警反馈要求系统端到端延迟控制在50 ms至150 ms之间，典型触觉反馈方案采用振动电机阵列。定位导航通常集成GPS模块，户外水平定位精度需优于5 m；室内等无GPS信号场景下，利用2D LiDAR结合Cartographer算法[18]进行SLAM建图和定位，建图精度可达1 m ± 7 cm。续航与硬件资源方面，系统需支持连续使用超过8小时，低功耗平台如STM32系列微控制器功耗可控制在0.1–0.5 W，待机功耗低至0.3 μA，而高功耗平台如Jetson Nano功耗为10–15 W。重量与便携性方面，系统总重应低于400 g。环境适应性方面，系统需支持昼夜、室内外等多种场景。
3.3 现有系统分析
本节选取四个代表性系统进行对比分析：(1)基于2D LiDAR和RGB-D相机的智能导盲杖[2]，采用Jetson Nano B01和STM32双处理器架构，使用Cartographer算法进行激光SLAM建图和定位，改进YOLOv5算法识别86类物体，具备全向轮驱动自主引导功能；(2)基于YOLO-Fastest的预测型智能导盲杖[3]，以Raspberry Pi 4为计算平台，通过分析连续视频帧间移动物体的位置变化预测短期轨迹，实验显示静态障碍物场景平均欧氏误差仅2.05–5.17像素，但动态挑战场景下性能显著下降；(3)Sense Stride导盲杖[4]，基于STM32H563ZI微控制器和ToF传感器，功耗约0.1–0.5 W，响应时间控制在50 ms以内，但功能相对简单，仅依赖距离阈值检测；(4)边缘计算与云协同智能导盲杖[21]，采用STM32F103作为传感器数据采集控制器，结合Jetson Xavier NX边缘计算平台部署YOLO模型，实现视觉感知和障碍物识别，并在此基础上发展出AIoT智能导盲杖[5]、低成本辅助手杖[6]、V2X解决方案[7]和云集成智能手杖[8]等系统。对比分析揭示，所有系统均未将动态目标的时间运动建模纳入决策流程，这限制了其预判行人和车辆短期轨迹变化的能力。引入LSTM等时间建模能力可能是从被动响应向主动辅助过渡的有前景方向，但实际可行性和有效性仍需在真实导盲杖原型上进行系统部署和验证。
4. LSTM在行人意图预测中的作用
行人意图预测通过分析行人历史轨迹与周围环境的交互来推断其未来运动趋势和行为意图，是智能导盲杖从“被动响应”升级为“主动预测”的关键技术。
4.1 LSTM的基本原理
长短期记忆网络（LSTM）[9]通过引入记忆单元和门控机制（输入门、遗忘门、输出门）解决传统循环神经网络（RNN）在长时间滞后任务中梯度爆炸或消失的问题。其核心创新在于“细胞状态”作为贯穿整个时间序列的信息传送带，使梯度能够稳定传播而不衰减，这一机制称为“恒定误差轮盘”。前向传播由一组公式完整描述，包括遗忘门、输入门、候选记忆、细胞状态更新和输出门。该设计使LSTM能够动态确定何时记忆、何时遗忘、何时输出信息，有效捕捉超过一千个离散时间步的长距离依赖关系。每个时间步的计算复杂度和权重大小恒定，确保建模能力的同时维持高计算效率。
4.2 LSTM在轨迹预测和行人过街意图预测中的主流地位
行人运动预测涵盖轨迹预测（回归问题，输出未来连续空间坐标）和过街意图预测（二分类问题）。在轨迹预测领域，基于循环神经网络尤其是LSTM的方法已成为主流方向之一。Social LSTM[10]引入社会池化机制，使每个行人的LSTM单元接受邻近行人隐藏状态信息，捕捉个体运动模式与周围行人的交互；SR-LSTM[25]通过编码行人间的空间关系提高拥挤环境路径预测鲁棒性；增强型Social LSTM[26]引入动态占用空间损失函数，在不同密度人群场景下碰撞率降低31%。在自动驾驶和车辆轨迹预测中，LSTM与注意力机制结合的方法[27,28]也取得良好效果。在过街意图预测中，LSTM及其变体能有效捕捉行人动作的动态变化[29]。尽管轻量级图神经网络（GNN）模型（如PedGNN[30]）也展现出潜力，但在STM32级平台上缺乏端到端部署研究，而LSTM已有量化后模型大小136.5 KB、推理延迟21 ms的MCU部署实证数据[31]。
4.3 LSTM对智能导盲杖的适用性分析
智能导盲杖的嵌入式部署需在时间建模能力和硬件资源约束间取得平衡。LSTM通过门控机制在长距离依赖捕捉方面表现良好，相比GRU[32]（长期预测准确度下降）、时序卷积网络TCN[34]（固定感受野，MCU单核环境下并行计算优势难以发挥）、图模型[35]（计算成本随人群密度二次增长）以及轻量级Transformer[36,37]（MCU级推理延迟尚未充分表征），LSTM在建模灵活性、长程依赖捕捉和交互适应性方面展现出更有利的均衡。在嵌入式部署可行性方面，DeepConv LSTM[31]在ARM Cortex-M4上通过全整数量化实现136.5 KB模型大小和21 ms推理延迟，提供了可直接参考的MCU部署证据。LSTM的架构可扩展性（如Social LSTM[10]、SR-LSTM[25]、Social GAN[45]等）为其整合注意力机制、图网络、生成模型和多模态输入提供了丰富算法生态。总体而言，LSTM在长期时间建模能力、MCU部署证据和架构可扩展性方面具备较强实证支持，但在智能导盲杖特定场景中的实际效果仍需通过端到端原型硬件实现进一步验证。
5. LSTM轻量化方法
为实现LSTM在资源受限嵌入式平台（如智能导盲杖）上的实时部署，研究人员从不同角度探索了多种轻量化方法，可归为五类：架构简化、低秩分解、结构化剪枝、量化和知识蒸馏。
5.1 架构简化：Slim LSTM
Slim LSTM[20]通过识别并去除标准LSTM中冗余参数实现轻量化。代表变体LSTM_6去除了所有门控信号中外输入矩阵乘法部分，替换为可训练常数或恒等矩阵；LSTM_C6进一步简化了记忆单元输入块，仅保留线性缩放操作。实验显示，在输入维度32、状态维度100的标准配置下，LSTM_C6参数量从约53,200降至3,400，压缩率超过93%，在IMDB评论情感[50]和20 Newsgroups多分类等基准测试中性能与标准LSTM基本持平。该方法需从头重新训练，无法直接压缩现有预训练模型，但为后续量化剪枝等操作提供了良好起点。
5.2 低秩分解：SVD/PCA/MPO
奇异值分解（SVD）将LSTM层和全连接层的权重矩阵分解为低秩矩阵乘积，选择性保留最大奇异值。WMD-LSTM[51]应用SVD实现参数量减少45%，模型体积压缩至原45%，预测精度无下降；LSTM-SVD[52]将训练速度提升至原模型3.9倍，参数量减少10倍以上。广义低秩矩阵分解（如LU、QR分解）[53]在嵌入式语音识别中实现模型压缩至五分之一仍保持性能。矩阵乘积算子（MPO）源于量子多体物理，将权重矩阵分解为低维张量乘积链，在序列分类和预测任务中优于传统剪枝方法[54]，张量环分解（TR-LSTM[55]）在动作识别中表现出良好数值稳定性。主成分分析（PCA）通过输入侧数据级降维实现间接压缩，QPCA-LSTM[56]在多元时间序列预测中解释方差提升10%。SVD适合“无损”压缩场景，PCA适用于高输入维度场景，张量分解方法在极高压缩比需求下具有优势，但低秩分解本质为线性近似，当权重矩阵缺乏低秩结构时高压缩比可能导致精度显著下降。
5.3 结构化剪枝：C-LSTM
C-LSTM[11]采用块循环矩阵而非稀疏矩阵进行结构化压缩。权重矩阵划分为大小为b×b的子块，每个子块满足循环矩阵性质，利用快速傅里叶变换（FFT）将存储复杂度从O(k
2)降至O(k)，计算复杂度从O(k
2)降至O(k log k)。实验实现最高18.8倍和33.5倍性能提升，精度损失极小，数据通路和激活函数量化为16位。后续E-RNN[57]使用交替方向乘子法（ADMM）进行更精确的块循环训练，能效比C-LSTM提高2倍以上，比早期ESE设计[58]提高37.4倍。该方法高度依赖FFT硬件加速单元，在通用处理器或无FFT支持的轻量级MCU上优势有限，迁移成本较高。
5.4 量化方法：FINN-GL
FINN-GL[12]是基于Xilinx开源FINN框架[59]面向FPGA的LSTM混合精度量化部署框架。利用ONNX规范中的Scan算子精确建模LSTM循环计算特性，通过Brevitas库进行量化感知训练，支持任意位宽混合精度量化，将计算图中Scan算子结构映射至FINN硬件库的HLS内核模块，显著减少硬件资源使用。权重和激活量化为8位时，量化LSTM加速器在保持高精度的同时实现极低推理延迟。该框架支持端到端自动化部署，但高度依赖FPGA平台和Xilinx开发工具链，硬件设计门槛高，通用性有限。
5.5 知识蒸馏
知识蒸馏[60]通过教师-学生架构实现知识迁移，教师模型输出软目标包含丰富的类间相似性信息，学生模型同时拟合硬标签和软目标以保持高精度。在时空预测领域，频域对齐知识蒸馏框架（SDKD）[61]从教师模型潜在空间提取多尺度频谱特征（高频细节和低频趋势）作为迁移目标，在方程数据集上学生模型均方根误差降低81.3%，平均绝对误差降低52.3%。跨界知识迁移中，自适应双蒸馏框架[62]将大型LSTM教师模型知识迁移至轻量级双向GRU学生模型，在NASA C-MAPSS数据集上实现5.34倍压缩率，学生模型预测精度甚至超过教师模型。优势在于支持跨架构知识迁移、可与其他轻量化方法结合、保留教师模型对复杂时间模式的表示能力；局限在于通常需要预训练大型教师模型，成本较高。
5.6 方法比较总结
各方法核心优势：Slim LSTM通过架构简化实现超过93%参数压缩率且几乎无精度损失；SVD作为后处理方法可直接压缩预训练模型；INT8量化在ARM Cortex-M4上实现21 ms推理延迟、136.5 KB模型大小和97%精度，是少数在MCU级设备上提供完整硬件测量数据的方法之一；C-LSTM通过块循环矩阵将存储和计算复杂度从O(k
2)降至O(k)和O(k log k)；知识蒸馏支持跨架构迁移并可与其他方法结合。局限方面：Slim LSTM需从头训练且缺乏MCU硬件验证；SVD压缩率上限约50%，线性近似可能不适用于高度非线性轨迹任务；INT8量化需硬件支持且约1–2%精度损失；C-LSTM和FINN-GL主要面向FPGA平台；知识蒸馏硬件适用性依赖于所选学生架构。混合策略可能综合多种优势，但实际效果需任务特定验证。
6. LSTM在智能导盲杖中的应用案例
6.1 基于CNN-LSTM的语音引导系统
Kambham等人[63]提出结合DepthNet模块和卷积LSTM层的多模态深度学习系统，利用CNN提取空间特征、LSTM捕获时序特征，实现实时障碍物检测和语音引导。系统在MS COCO[64]和BDD100K[65]两个自动驾驶基准数据集上预训练和微调，并引入光流算法增强动态障碍物实时跟踪。尽管系统较为全面，但仍集中于当前帧障碍物识别和语音描述，无法预测动态目标的未来运动趋势。
6.2 基于LSTM轨迹预测的避障
Poulet等人[67]提出基于LSTM的碰撞风险预测方法，通过感知层LSTM模型学习智能体历史运动轨迹并预测下一时刻位置，评估层动态调整深度Q学习网络[68]的奖励函数，在潜在碰撞发生前施加惩罚。在移动机器人平台上验证，采样频率仅1 Hz时仍显著降低碰撞。Mulás-Tejeda等人[69]在TurtleBot3机器人上实现LSTM动态避障，验证准确率98.02%。Zhang等人[70]结合近端策略优化（PPO）算法优化Actor-Critic网络。这些方法在方法论上与智能导盲杖的行人意图预测任务一致，但尚未在真实导盲杖硬件上验证。
6.3 基于LSTM的定位与导航
Bakouri等人[71]开发无线超声定位原型，利用LSTM联合建模语音识别和多传感器信号，室内定位RMSE约0.192 m。Woyano等人[72]提出CNN-LSTM混合模型，从MEMS惯性测量单元（IMU）提取序列特征，实现RMSE 0.52 m，显著优于传统航位推算系统。Shin等人[73]在GNSS中断超过30秒时，双LSTM架构将定位精度提升90%以上。Alaeiyan等人[74]提出增量正则化LSTM（IncRLSTM），结合淡记忆卡尔曼滤波器，定位误差降低72%。Wang等人[75]提出迁移学习误差状态卡尔曼滤波器（TL-ESKF），级联两个LSTM网络。这些研究验证了LSTM在GPS信号中断时补偿定位漂移的能力，但其计算开销对MCU级实时推理构成挑战，且多数评估在受控环境中进行。
6.4 智能导盲杖的边缘计算
Gao Shunqiang等人[21]使用STM32F103微控制器和Jetson Xavier NX边缘计算平台部署YOLO模型，实现视觉感知和障碍物识别。Chen Yuhai等人[76]基于STM32和YOLOv5n[24]构建多模态传感系统。Sense Stride[4]在STM32H563ZI上集成三个VL53L0X ToF传感器和热释电红外传感器，响应时间仅50 ms，障碍物检测精度95%。Majoni等人[77]在Raspberry Pi 4B上集成四个HC-SR04超声波传感器和YOLOv4-tiny模型[66]。这些研究主要使用CNN模型，但验证了STM32级微控制器可处理深度学习推理任务，结合DeepConv LSTM[31]在ARM Cortex-M4上的部署案例，为LSTM在MCU上实现实时推理提供了初步硬件可行性。
6.5 互联网赋能的LSTM应用
物联网使智能导盲杖从孤立设备演变为可远程监控和上传数据的连接终端。Shireesha等人[8]通过ESP32-CAM捕获图像并上传至Firebase云平台进行物体识别，平均准确率94.7%，云推理延迟310 ms。V2X技术通过无线通信使导盲杖获取交通信号灯状态和行人横道信息[7]，结合LSTM时序预测可提前评估碰撞风险。5G网络的高带宽和低延迟特性支持云端协同推理，计算密集的LSTM变体（如Social LSTM[10]、Social GAN[45]）可部署于云端，导盲杖终端仅负责轻量级特征提取和实时警告。云计算支持模型在线更新和联邦学习[78,79]，聚合多用户轨迹数据训练更通用化的行人行为预测模型。然而，现有研究大多仅涉及单一维度，缺乏将LSTM时序预测与多层次互联网技术深度集成的系统性验证。
6.6 数据集
本综述涉及的行人过街意图预测数据集包括JAAD[81]（346段高分辨率视频片段，约240小时驾驶录像）、PIE[82]（超6小时录像，约910,000帧，1842个带注释的行人样本）以及利用CARLA模拟器程序化生成的PedSynth（947个过街/非过街视频片段，总时长5小时26分钟）。轨迹预测基准ETH/UCY包含约1500条轨迹（鸟瞰视角），BDD100K提供100,000段驾驶视频（车装前向视角），MS COCO包含330,000张静态图像（80类物体）。所有公开数据均来源于非手持低视角（车装前向、俯视或静态图像），与导盲杖实际使用中的自然摆动、低高度和频繁遮挡特性存在显著差异。目前缺乏专门从智能导盲杖手持低视角捕获的大规模公开行人过街意图数据集，阻碍了该任务的全面算法训练和公平比较。
6.7 总结与讨论
综合五个应用案例，LSTM在语音引导、轨迹预测避障、定位导航、边缘计算和互联网协作等方面展现出与智能导盲杖高度相关的技术潜力。CNN-LSTM融合架构在动态障碍物识别方面有效，STM32级MCU的硬件验证确认了轻量模型部署可行性；移动机器人平台上LSTM碰撞风险预测方法准确率超98%，其“感知历史轨迹→预测未来位置→发出预警”的逻辑与主动避障核心要求一致；CNN-LSTM混合模型利用机载IMU实现0.52 m定位精度；边缘计算研究确认STM32系列MCU可处理深度学习推理。然而，关键差距依然存在：语音引导系统仍聚焦当前帧识别；轨迹预测方法未针对手持导盲杖的传感器抖动、低安装高度和不稳定视野进行适配；定位导航系统计算开销挑战MCU实时推理；边缘计算验证主要针对CNN模型，LSTM循环时序预测与感知、检测、反馈模块在相同资源受限硬件上的共存协作尚未验证。在真实导盲杖原型上完成LSTM预测到分级反馈的端到端系统集成，并经视觉障碍用户验证的研究尚未实现。领域特定数据稀缺进一步制约模型训练和评估，真实世界因素（光照变化、天气条件、传感器噪声）对系统鲁棒性的影响也未充分测试。
7. 讨论
前文分析表明，在智能导盲杖上部署基于LSTM的行人意图预测具有多维证据支持，但仍存在若干约束。硬件资源限制是首要挑战，典型MCU仅提供512 KB Flash和256 KB SRAM，LSTM模型需与传感器驱动、通信协议栈和反馈模块共存于有限预算内。数据层面目前缺乏从导盲杖视角捕获的公开大规模行人意图预测数据集。验证层面现有研究主要在仿真环境或通用机器人平台上进行，尚无研究在真实导盲杖原型上完成LSTM预测模型的端到端部署并经视觉障碍用户验证。这些挑战相互关联，构成从算法研究到实际辅助设备转化的主要障碍。尽管存在挑战，现有证据支持LSTM在智能导盲杖上的部署可行性：Social LSTM[10]和SR-LSTM[25]等验证了时间建模能力；DeepConv LSTM[31]和Slim LSTM[20]展示了轻量化潜力；Sense Stride[4]在STM32H563ZI上确认了硬件可行性。未来研究方向包括：探索架构简化与量化相结合的混合策略；优先开展导盲杖视角的真实数据采集和行为意图标注；建立针对智能导盲杖部署的标准化评估框架；以及软硬件协同设计，将LSTM预测流水线与现有感知、检测和反馈模块有效整合于同一资源受限硬件上。本综述的局限性包括：文献检索仅限中英文，可能存在其他语言的重要贡献；不同轻量化方法的性能指标来自异质数据集和硬件平台，限制直接定量比较；缺乏标准化基准平台，方法优势评估依赖报告结果而非重复实验。
8. 结论
本文综述了基于LSTM的行人意图预测及轻量化部署在智能导盲杖中的应用。现有智能导盲杖系统[2,3,4,7,8,9]普遍缺乏对动态障碍物的时间建模能力，无法实现主动避障。LSTM通过门控机制和架构灵活性有效捕捉轨迹数据中的长程依赖关系，与GRU[32]、TCN[34]、轻量级Transformer[36,37]等替代时间模型相比，在时间建模能力、轻量化成熟度和MCU部署可行性方面拥有相对较强的验证证据。五种轻量化技术（架构简化[20]、低秩分解[51,52,53,54,55,56]、结构化剪枝[11,57,58]、量化[12,31,59]和知识蒸馏[60,61,62]）中，混合策略被识别为有前景的路径。语音引导[63]、轨迹预测避障[4,21,76,77]、定位导航、边缘计算和互联网协作[78,79,80]等应用案例验证了LSTM在智能导盲杖场景中的多样化潜力，但持续存在的主要差距是：在真实导盲杖原型上集成LSTM预测与分级反馈的端到端部署，并经视觉障碍用户验证的实践尚未实现。未来研究应优先推进实际部署验证、领域特定数据收集和软硬件协同设计，以将算法进展转化为实用辅助设备。LSTM有望在智能导盲杖从被动响应向主动预测的转型中发挥重要作用，最终改善视觉障碍人群的出行安全和生活质量。
