本研究综述了当前弱势道路用户安全技术的最新进展，重点涉及弱势道路用户交通事故、通信网络、传感器数据质量和相关数据集，以及弱势道路用户安全技术的进展和需求领域。

May, 2024

最近，世界卫生组织的报告显示，易受伤路用户（VRUs）参与的道路死亡事故超过一半，其中遮挡风险是一个关键因素，即 VRUs 被如停放车辆等障碍物遮挡且被驾驶员看不见。因此，我们提出了一种基于车辆和 VRUs 的动力学量化遮挡风险的新算法。该算法通过德国路口真实数据集进行了测试和评估。此外，我们引入了最大追踪损失（MTL）的概念，衡量 VRU 在给定场景中连续未被任何车辆跟踪的最长时间。本研究还对 VRU 安全中的集体感知服务（CPS）的作用进行了研究。CPS 通过使车辆共享传感器信息来增强安全性，从而潜在地减少遮挡风险。我们的分析结果表明，25% 市场渗透率的配备 CPS 的车辆可以大大降低遮挡风险并显著减少 MTL。这些发现展示了不同情景对 VRUs 产生不同程度的风险，并且集体感知的部署可以显著提高 VRUs 的安全性。此外，它们突显了我们提出的指标捕捉遮挡风险作为安全因素的有效性。

Apr, 2024

本文使用深度学习方法预测道路的弱势交通参与者，通过将高清地图和参与者所在位置栅格化为俯视图，运用卷积神经网络和逐步优化栅格化方式，达到高精度和实时性的预测效果。

Jun, 2019

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

使用多智能体仿真实现具有可信行为的道路用户模型的问题尚未解决。数据驱动方法是通过推断在真实情况中可能存在的行为，从大量观察中获取不同类型的轨迹，并使用其分类来训练能够推测这种行为的模型。该研究在考虑车辆和两种不同类型的弱势道路用户的基础上，提出了轨迹聚类方法，并评估了从原始数据中提取明确定义的轨迹类别的方法，同时将 “离奇” 或不完整的轨迹与在任何场景下都具有代表性和完整的轨迹分离开来。然后通过三个不同的交叉口和一个环形交叉口作为测试环境，使用开发的方法进行测试。所得到的轨迹簇可以用于预测或学习任务，或者如果由离群值组成则可以舍弃。

Jul, 2024

通过驾驶模拟器研究，探讨了基于基础设施的警告系统在改善交通安全和减少事故风险方面的作用，结果显示提前发出警告可以显著提高安全性。

Dec, 2023

本研究分析 Uber 自動駕駛汽車事故，旨在回答自動駕駛汽車技術是否準備好在公共道路上部署的問題，在此使用最先進的計算機視覺模型，評估各種圖像增強和物體識別技術，以實現在低照度條件下行人安全。

May, 2018

使用基于深度强化学习（DRL）算法控制的基于相机的交通灯系统以及无人机（UAVs）的 AVARS 系统，在都柏林模拟中验证，通过经济部署 UAVs 以应对意外交通拥堵，能够在 UAV 的典型电池寿命内有效恢复都柏林的交通拥堵至原始无拥堵水平。

Sep, 2023

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

Euro-PVI 数据集更好地模拟了密集城市场景中的行人和自行车与车辆的交互，我们提出 Joint-$eta$-cVAE 方法通过学习多模态共享潜在空间，更好地模拟了未来轨迹的分布，实现了在 nuScenes 和 Euro-PVI 数据集上的接近最优的结果。

Jun, 2021