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

该论文研究了使用社交媒体数据自动识别安全和适宜步行街道以部分自动化计算步行性的可行性，其结果为提供实用机会以及探索步行性领域尚未解答问题的研究提供了理论基础。

Mar, 2015

通过利用 3D 信息和现有数据集中的观测结果来增强有效的、标记的可步行区域数据，并使用基于类平衡分类的损失和情境对抗性的损失的训练策略，实现了从一张图像预测行走性地图的模型，并在 Waymo 和 Cityscapes 数据集上展示了卓越的性能。

Aug, 2020

这项研究设计并实施了一种基于遥感图像和机器学习模型的自动路径网络生成流水线，旨在减少标注数据的要求并能够低成本有效地生成可加载和可视化的路径网络。

Sep, 2023

我们设计了一个便携的数据采集系统，结合了自主标注流水线，通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证，在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比，我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的 “机器人” 情境下的自然人类行为以及基于度量空间的经过人工验证的标签，是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集 ——TBD 行人数据集，并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息，并支持新的研究机会。

Sep, 2023

本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

Jan, 2016

利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

Aug, 2016

通过机器学习方法，结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集，本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型，用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战，提出了一种新的技术来识别模型估计的异常值并减轻其影响。该研究为交通模型师、政策制定者和城市规划师提供了一个有价值的资源，以改进基于先进的新兴数据驱动型建模方法的主动交通基础设施规划和政策。

Mar, 2024

本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

Feb, 2022

本文介绍了一种端到端的用于构建具有语义含义的精确高清三维地图的系统的制图组件，使用消费级配件，实现了实时交通标志和车道的三角测量，并具有离线标志 / 车道聚类和离线多次行程的 Bundle Adjustment，如此构建的地图在 25 次路线中的标志角处的平均绝对精度小于 20 厘米。据我们所知，在汽车领域使用成本效益高的传感器，这是第一个使用全局坐标的端到端高清地图管道。

Mar, 2017