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

该研究论文基于直接的跨数据集评估，研究目前最先进的行人行为预测器在交叉数据集评估情境下的泛化能力较差，论文主张未来的行人交叉预测应该考虑到领域转移下的不确定性估计。

Jan, 2022

该研究提出了一种使用扩散模型增强模拟数据集的方法，以改善行人检测在现实世界数据中的性能，并使用扩散基础架构来生成具有真实分布的数据集，以填补模拟数据和真实数据之间的差距，通过使用生成数据与模拟数据进行的训练可以将行人检测模型在真实数据中的平均精度提高 27.3%。

May, 2023

为了实现安全和舒适的驾驶操控，行人意图预测对于自动驾驶至关重要。本研究提出了一个名为 ARCANE 的框架，可以通过生成 C/NC 视频段样本的方式来解决现有数据集中缺乏多样性的问题。同时，还介绍了一个名为 PedSynth 的大型多样化数据集，该数据集补充了常用的真实世界数据集，例如 JAAD 和 PIE，以改进 C/NC 预测模型的准确性。考虑到 C/NC 预测模型在车载环境中的部署，研究还提出了一种名为 PedGNN 的深度模型，该模型速度快、内存占用低，基于 GNN-GRU 架构，以行人骨架序列作为输入来预测过马路的意图。

Jan, 2024

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

本文提出了一种以行人安全为重点的端到端未来预测模型，使用从车辆视角记录的先前视频帧来预测行人是否会横穿车辆前面，其长期目标是设计出一个完全自主的系统，与有防御性的人类驾驶员一样预测未来事件并采取反应以降低风险，并利用编码器 / 解码器网络和深度时空网络实现对行人行为和未来帧预测的最新准确性。

Oct, 2019

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

该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

Apr, 2021

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