在交通研究领域，解决路口行人安全问题是一项重要的任务。本文通过发展实时主动保护系统，利用计算机视觉技术和预测模型，以基于预测的行人潜在风险评估为核心，解决了当前实时行人风险评估研究面临的三个主要挑战，提出了一种新的安全衡量标准，Predicted Post-Encroachment Time (P-PET)，并将行人划分为不同类别以应用特定评估准则，改进了风险评估的效果和可靠性。

Apr, 2024

为了解决自动驾驶汽车在遇到突然出现的路障时反应时间不足的问题，我们提出了一种新颖的基于 MediaPipe 姿态估计模型的算法实现，用四元数将单一行人的意图分类为逻辑状态，避免了使用深度学习算法的必要性，并且通过在 IoT 边缘设备上运行来避免了计算资源的限制。该模型在平均延迟 48 毫秒的情况下，实现了 83.56％的平均测试准确率，相对标准的时空卷积网络的使用具有显着优势。

Apr, 2023

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

本文提出了一种通过引入合成数据来构建深度虚拟到现实蒸馏框架，以实现对真实数据中行人过马路的预测，该框架能够从合成视频中获取大量行人运动的信息，在真实交通世界的预测任务中表现出极高的性能表现。

Nov, 2022

本研究提出了一种新颖的多模态预测算法，采用混合学习架构来分析环境的视觉特征和场景动态，预测行人的未来横穿行为，并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估，取得了最先进的表现。

Nov, 2020

研究自动驾驶汽车在交叉口附近准确预测行人运动的能力，提出了基于逆强化学习的可转移行人运动预测算法，并且通过实验表明，该算法在传输任务中的精度提高了 16%。

Mar, 2018

本论文介绍了使用三轴加速度计通过电动轮椅的行为估计人行道可达性的方法，通过使用深度神经网络从轮椅加速度中提取知识，通过有监督和弱监督方法对道路表面条件进行分类，并通过无监督变分自编码器评估轮椅使用者的人行道障碍，从而估计行人道可达性。

Jan, 2021

利用光探测与测距（LiDAR）和物联网（IoT）技术的整合，在城市安全和行人福祉方面为公共卫生信息学提供了变革性机会。本文提出了一种利用这些技术进行增强型城市交通场景下的三维物体检测和活动分类的新框架。通过使用高架 LiDAR，我们获取了详细的三维点云数据，实现了精确的行人活动监测。为了克服城市数据匮乏问题，我们通过在 Blender 中模拟交通环境，创建了一个专门的数据集，便于针对性的模型训练。我们的方法采用了改进的基于点体素区域的卷积神经网络（PV-RCNN）进行稳健的三维检测和 PointNet 进行行人活动分类，显著促进了城市交通管理和公共卫生，为理解行人行为、促进更安全的城市环境提供了洞见。我们的双模型方法不仅提升了城市交通管理，还通过提供对行人行为的洞见，显著贡献于公共卫生和更安全的城市环境。

Apr, 2024

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

本文通过使用 INRIA Person Dataset 来测试儿童、成人、男性和女性标签数据，评估最先进的行人检测算法的性能差距，并表明 24 种最优表现的算法在儿童上的误检率更高，性别出现平均偏差；我们讨论了该偏见的来源、道德意义、技术解决方案和障碍。

Jun, 2019