- 一种新的基准测试范式和基于尺度和动态感知的自身行为者行人轨迹预测模型
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。
- 学习行人动作以确保安全自动驾驶
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 - 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。
- 一个分层式行人行为模型，生成交通模拟中真实的人类行为
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 - 单目视频中行人动作的识别和三维定位
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。
- CVPRSR-LSTM: 面向行人轨迹预测的 LSTM 状态细化
本研究提出了一种基于 SR-LSTM 的数据驱动状态细化模块，通过消息传递机制激活邻居的当前意图，并共同迭代地完善人群中所有参与者的当前状态，有效提取邻居的社交效应，实现了对于行人轨迹预测的良好效果。
- Bio-LSTM: 一种仿生学启发的循环神经网络，用于 3D 行人姿态和步态预测
本文介绍了一种仿生神经网络 (Bio-LSTM)，其能够预测行人的全局坐标系中的位置和三维关节姿态，在考虑先前帧的 3D 姿态和位置时，对于多名不同行人同时进行预测，以及在城市路口范围内达到 45 米。这篇论文通过 PedX 数据集的实际应 - 与行人交互的自主车辆：理论与实践综述
研究了自动驾驶汽车在城市环境中行驶面临的主要挑战以及解决方案，包括与行人的交互问题，通过调查研究现有的行人行为研究，提出解决方案包括与行人通信的设计方法和针对理解行人意图的视觉感知和推理算法，同时讨论了未来的研究方向。
- 基于数据的交互感知行人运动预测模型在物体杂乱环境中的应用
本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型，同时考虑了静态障碍物和周围行人，通过与现有方法的比较，证明了该模型在预测准确性和计算效率方面的优异性，并表明在有障碍物的环境中，考虑静态障碍物对运动预测的重要性。
- 模拟逃生恐慌的动态特征
通过对行人行为模型的模拟研究，可以预测突发事件导致的踩踏事故。存在一种最优逃生策略，即个体行为与集体行为的适当结合可以最大限度地减少人员伤亡。
- 社会力模型用于行人动力学
此论文提出一个社会力模型，可以精确地描述行人行为，在计算机模拟中表现得非常逼真，并能自组织成为几个观察到的行人行为的集体效应。