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

本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

Oct, 2018

提出了一种多模态数据下的多任务学习框架 ——BiPed，其中包括一个双向编码器以及新颖的交互建模技术，同时提高了行人轨迹和行为预测的性能达到最新水平。

Dec, 2020

研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。

May, 2023

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

提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹，利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息，同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证，证明了该方法在多种评估指标上实现了最先进的性能。

Jun, 2023

本论文旨在通过单目行人动作识别和以自我为中心的视角进行的 3D 定位，预测行人意图和行动轨迹，通过使用传统 JAAD 和 KITTI 数据集以及 H3D 驾驶数据集的定性测试，展示了所提出的行动识别框架和定位方法的有效性和优越性。

Aug, 2020

本文研究如何利用图像信息来预测行人的行为，提出了几种基于 CNN 和 Transformer 的时空模型，分析了这些模型的预测结果的可解释性，强调在行人行为预测问题中可解释性的重要性。

May, 2023

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

研究提出了一种基于均衡高斯过程动态模型的方法，用于预测未来的行人路径和意图，并支持实时的活动类型预测以改进自动紧急制动系统，并取得了较高的准确率。

Apr, 2020