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

本文提出了一种高保真的仿真框架，可估计车 - 基础设施（V2I）行人安全策略的潜在安全益处，并支持在循环中的合作感知算法。通过同时模拟环境条件，交通条件和行人特征，该模拟器可以实现环境的高度还原性。另外，我们的安全效益评估模型可以系统性地量化风险冲突（非碰撞条件）和行人受伤的严重程度（碰撞条件）。本文对中国拥挤的市区路口的数字孪生进行了实验，结果表明，我们的框架对于 V2I 行人安全策略的安全效益评估是有效的。

Oct, 2022

我们提出了一种基于人体模型的身份识别系统 (HMID) 系统，该系统联合训练了形状、姿势和生物特征识别。该 HMID 模型在使用额外的形状和姿势损失进行训练时，在生物特征识别性能方面表现出显著改进，且在衣物、视角和范围变化时仍能进行稳健的图像识别。

Dec, 2023

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

本文提出了一种分层行人行为模型，通过使用行为树生成高层次决策，使用自适应社交力模型由底层运动规划器产生可执行的机动，将完整的实现集成到 GeoScenario Server 中，扩展了其车辆仿真能力，允许模拟涉及车辆和行人的测试场景，以协助自动驾驶车辆的基于场景的测试过程。该模型在两个不同的地点采集的实际数据集上进行了评估，表现出与现实世界行人轨迹高度相似的特性和 98％或更高的决策准确性。

Jun, 2022

研究表明，使用轮椅的行人死亡率比整体人口的行人死亡率高 36％。使用机器学习和深度学习模型，结合先进的交通传感器，设计了一个系统架构，可以区分残障人士和正常行人，并预测到达下一个路口的时间。该方案表现出了较高的脆弱用户分类和到达时间预测准确性。

Jan, 2022

调查表明，当在人行横道上使用外部人机界面和缓慢刹车时，行人对安全有更好的感知；同时，内部人机界面与积极刹车相结合时，能提高乘客的信心。

Dec, 2023

该论文提出了一种名为 HBAN 的方法，通过引入人头的先验信息，采用对称的人体部位检测方法以及对齐损失函数，有效地增强了行人检测的性能和稳健性。

Nov, 2019

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

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