本文利用机器学习预测在非信号控制的人行横道中行人与车辆的交互，包括行人的行走决策、开始过马路的时间和过马路所需时间。使用神经网络模型比 logistic 回归模型提高了 4.46% 的预测准确率和 3.23% 的 F1 分数，并与线性回归模型相比，降低了 21.56% 和 30.14% 的 CIT 和 CD 的根均方误差。分析了交互因素的重要性，提供了在不同特征输入限制下选择模型的信息。

Apr, 2023

该论文通过模拟行为，探讨了行人的感知限制如何影响其决策，重点关注了视野、工作记忆和扫描策略这三个因素。实验结果表明，感知限制对于行人安全决策具有显著影响。

Feb, 2023

通过使用模拟器数据研究涉及多辆车和行人的场景，本研究提出和评估了预测非斑马线场景中的缝隙选择以及斑马线场景中斑马线使用的机器学习模型，并调查和讨论行人行为如何受到行人等待时间、步行速度、未使用缝隙的数量、最大未选中缝隙以及其他行人的影响。这项研究通过提供预测模型和有价值的洞察力，为智能车辆的发展做出了贡献。

Apr, 2024

研究了自动驾驶汽车在城市环境中行驶面临的主要挑战以及解决方案，包括与行人的交互问题，通过调查研究现有的行人行为研究，提出解决方案包括与行人通信的设计方法和针对理解行人意图的视觉感知和推理算法，同时讨论了未来的研究方向。

May, 2018

自动驾驶汽车面临的主要挑战之一是在城市环境中行驶。本文从共同注意力的角度解决行人和司机（或车辆）之间的互动问题，讨论共同注意力理论背景、其在交通互动中的应用以及自动驾驶汽车实现共同注意力的实际方法。

Feb, 2018

研究人员通过使用多任务网络和注意力关系网络，成功预测了未来行人动作，并将该预测作为先验来检测当前意图和行为，从而显着提高了交通安全性。

May, 2021

通过建立一个大规模的开源数据集进行综合研究，我们发现交通流量、车辆速度、道路特征等是影响驾驶员避让行为的重要因素。研究结果表明，车辆速度、停车场的存在、公园或学校的接近程度以及主要道路路口的宽度显著影响无信号灯十字路口的驾驶员避让行为，为改善行人交通安全提供了宝贵的洞见。

Dec, 2023

本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

Oct, 2018

通过使用 CNN 的 2D 姿态估计技术，我们成功地确定了行人的意图，如穿过车道，停在行人路口之前并开始行走或弯曲，这是基于非自然序列（Daimler 数据集）的结果，使用 JAAD 数据集进行评估，提出了一种结合了 CNN 的行人检测、跟踪和姿态估计的方法以预测单眼图像中的人的穿越动作，并取得了新的最高水平结果。

Jul, 2018

本文呈现了用于自动驾驶关键方面的新数据集，介绍了交通参与者行为的可变性，并展示了天气条件、地理位置、交通和人口统计学等因素如何影响交通行为及场景的视觉复杂度。地面真相数据传达了有关参与者位置（边界框）、物理条件（例如照明和速度）和各参与方的行为的信息。

Sep, 2016