Apr, 2024

预测和分析非信号化交叉口的行人穿越行为

PDF
TL;DR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。
发现论文，激发创造
  • 无信号路口行人交互结果预测：等待还是穿过？

    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

  • 达成共识：司机和行人如何交流

    本文提供了一个新的数据集来研究交通参与者越过街道时的行为，并对数据进行了关节关注的分析。研究发现，在非信号化的人行横道上，超过 90％的行人在穿越前注视靠近的车辆，但其穿越行为还取决于其他因素，如时间到碰撞（TTC），驾驶员的反应或横道的结构。

    Feb, 2017

  • 解释和可解释的行人过街预测的实验见解

    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

  • 行人过马路决策可以通过有噪视觉感知下有限最优决策来解释

    该研究采用计算合理性的理论提出了一个横穿行人决策模型，结合机械式建模与强化学习，模型还可以适应视觉感知的限制和行为的个体差异，为研究行人行为提供了新的见解和更准确可扩展的模型基础。

    Feb, 2024

  • 评估行人过马路预测器的跨数据集泛化能力

    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

  • 行人过马路行为预测的意图和行动耦合

    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

  • 意图 - 等待 - 感知 - 通过：探究感知限制对行人决策的影响

    该论文通过模拟行为，探讨了行人的感知限制如何影响其决策，重点关注了视野、工作记忆和扫描策略这三个因素。实验结果表明，感知限制对于行人安全决策具有显著影响。

    Feb, 2023

  • 探究困境区个性化驾驶行为：分析和预测停车或直行决策

    利用基于游戏引擎（即 CARLA）的驾驶模拟器，收集了来自四名司机在不同场景下的高分辨率车辆轨迹、交通信号相位和时间信息以及停车或通行的决策，通过分析个性化驾驶行为并开发个性化变压器编码器预测个体司机在困境区域中的停车还是通行决策，结果表明，相比于通用的变压器编码器和二元逻辑回归模型，个性化变压器编码器在困境区域中预测驾驶员决策的准确性提高了 3.7% 至 12.6% 和 16.8% 至 21.6%。

    May, 2024

  • 行人动作预测的多模态混合架构

    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

  • 理解驾驶员 - 行人交互以预测驾驶员让行行为：在明尼苏达收集的自然开源数据集

    通过建立一个大规模的开源数据集进行综合研究，我们发现交通流量、车辆速度、道路特征等是影响驾驶员避让行为的重要因素。研究结果表明，车辆速度、停车场的存在、公园或学校的接近程度以及主要道路路口的宽度显著影响无信号灯十字路口的驾驶员避让行为，为改善行人交通安全提供了宝贵的洞见。

    Dec, 2023