本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

Mar, 2020

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

介绍了一种结合深度学习和模糊逻辑的新型神经符号方法，用于解释和解释行人过街预测，在 PIE 和 JAAD 数据集上评估，提供了在行人过街预测任务中实现可解释性和可解释性的实验见解，以及有关数据集选择、特征选择和解释过程的一系列指南和建议。

Dec, 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

本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

Oct, 2023

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

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

本文研究在城市环境中自主车辆的预测能力，提出了基于轨迹和外观数据的人行预测方法，并进行了比较评估和数据实验。

May, 2023