本文研究了行人和车辆之间的交互作用，提出了一个新的神经网络模型，称为行人 - 车辆交互提取器（PVI），用于学习行人和车辆之间的交互。通过实现该模型在两种不同的方法上，作者可以减少行人的平均位移误差（ADE）和最终位移误差（FDE），该模型可以捕捉行人和车辆之间的交互并优于现有的方法。

Feb, 2022

自主车辆与行人共享空间时，规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法，研究了与行人 - 车辆交互作用相关的特定考虑因素，并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差异等不同变量。同时，文章也提供了包含行人和车辆轨迹数据的数据集概述，讨论了未来工作的研究空白和方向，如在深度学习方法中更有效地定义交互主体以及在无结构环境中收集更多混合交通数据集的需求。

Aug, 2023

本文提出了一种应用社交条件变分自动编码器（SocialCVAE）来预测行人轨迹的方法，该方法利用条件变分自动编码器（CVAE）来探索人类运动决策中的行为不确定性，通过使用基于能量的相互作用模型生成交互能量图，提高了行人轨迹预测的准确性。

Feb, 2024

本文介绍了一种基于空间交互转化器 (SIT) 的生成方法，该方法通过注意机制学习行人轨迹的时空相关性，并引入条件变分自动编码器 (CVAE) 框架对行人的未来潜在运动状态进行建模。大规模交通数据集 nuScenes 上的实验结果表明，SIT 的性能优于最先进的方法，并在具有挑战性的 ETH 和 UCY 数据集上得到了验证。

Dec, 2021

该论文介绍了一个新的交通数据集 I see you，该数据集解决了当前数据集不覆盖近事故场景等问题，使用 YOLOv5 和相机标定方法获取了秘鲁库斯科七个路口的 170 个近事故交通场景数据，该数据集及其代码已经发布于 Github。

Nov, 2022

使用单目相机图像和车辆定位数据作为输入，我们提出了一个环境模型，该模型包括行人的位置和姿态信息。通过神经网络人体姿势估计器从图像中提取骨架信息，并通过基于匈牙利算法和自车运动补偿的简单跟踪算法跟踪骨架。为了获得位置的三维信息，我们结合车辆位置从连续帧中聚合数据。我们在 CARLA 模拟器和 nuScenes 数据集上展示了我们的行人环境模型，相对位置误差均达到约 16%。

Aug, 2023

本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

Jun, 2017

本文基于变分推理的视角，利用自编码变分贝叶斯算法提出了一种高效的行人检测算法，将密集检测框作为潜在变量，提高了现有基于交并比的器检测方法在人群密集情况下的效率。实验证明：该算法可用于单阶段检测器，同时也能提高双阶段检测器性能表现。

Apr, 2021

在共享空间中，预测行人轨迹对于自动驾驶车辆的安全导航至关重要。我们提出了一种基于启发式的选择相互作用代理的过程，通过计算碰撞风险，使用时间间隔和接近方向角来编码交互效果，并引入了新的极坐标碰撞格网图。实验结果表明，与现有方法相比，我们的方法在 HBS 数据集上的预测轨迹更接近于真实情况。

Aug, 2023

本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型，该模型可通过学习社交交互模式，以及先前轨迹信息进行轨迹预测，并在流行的轨迹基准测试中表现出优异的性能。

Feb, 2022