国际资讯|针对行人和自动驾驶汽车的运动行为预测
点击图片上方蓝色字体“慧天地”即可订阅
英文原文来源：www.gislounge.com
中文编译整理：慧天地国际站一鸣
转载需经【慧天地】许可。
随着无人驾驶汽车和运动检测技术越来越多地融入我们的日常生活，相关研究人员目前正在开发应用程序来帮助预测行人和车辆的运动行为。除了一些其他的益处，相关人员还希望通过预测未来的运动路径，使这些新兴的技术能够帮助人们减少交通事故的发生。
预测行人的行为
在预测行人要走的路径时，必须考虑许多因素，其中包括建筑环境、其他人和一个人周围的物体、年龄、天气、轨迹和影响路径决策的社会行为。目前，深度学习和计算机视觉技术已被用于基于先前的示例来帮助分类和预测可能人们采取的运动，即不同类型的神经元网络反复获取诸如视频图像之类的感觉数据，并对给定的运动进行分类，然后根据前面的示例对行人可能采取的下一步行动进行分类。最近的研究结果不仅能够高度准确地预测人们所选择的道路，而且还能预测人们在未来一段时间内将要做的活动，预测行人会在哪里，以及影响他们的行为背后的原因[1]。
图1：预测行人未来的路径和活动：绿线和黄线显示两条可能的未来轨迹，绿线框和黄线框显示两种可能的活动。根据未来的活动，人们(右上角)可能会选择不同的路径，例如黄色的路径表示“LOADING”，绿色的路径表示“OBJECT TRANSFER”。
（图片来源：LIANG ET AL., 2019.）
在行人运动中确定人类意图，这项挑战无疑是巨大的。其中一种方法是通过观察行人行走或站立时的姿势来对其意图进行分类。这有助于在事先不知情的情况下评估行人行进的可能性。例如，一个行人站在路边并看着马路另一侧，那么他很有可能想过马路。但是一个背对着大路的行人则可能只是在看附近的建筑物，或者不想穿过马路[2]。
预测驾驶行为
与行人运动类似，预测驾驶行为也很具有挑战性。在某种程度上，一旦所有或大部分车辆都实现了自动驾驶，那么随着车辆之间可以信息传递和交流，预测车辆的移动就会变得更加容易。然而，在某些车辆完全或部分实现自动驾驶而另一些车辆无法实现自动驾驶的情况下，预测其他车辆的行为对于安全性就变得至关重要。其中一种方法是结合使用深度学习算法（如使用深度神经网络和循环神经网络）来重新创建类似驾驶员的行为。这些算法有助于对车辆需要加速或减速的情况进行分类，并避免车辆碰撞到另一个移动或甚至静止的物体。然而，使这一研究过程变得困难是，实际问题很少是按次序的，因为包括其他车辆在内的其他因素的组合可能会影响离自己车辆最近的物体。事实上，决策通常由其他决策来预测，这意味着围绕车辆的行为体的级联效应可能不容易在反应时间上分类[3]。基于这些限制，目前大多数自动驾驶车辆并不是完全自动驾驶的。根据车辆的自动驾驶能力，车辆通常从0-5级分类（0级完全不涉及自动驾驶，车辆完全由驾驶员控制，而5级则完全实现自动驾驶）。除了在4级运行的实验车辆外，大多数自动驾驶车辆的运行能力都在2级左右[4]。
图2：实验车辆具有传感器设置和以人为中心的风险评估体系结构。(a)测试车辆的传感器配置；(b)以人为中心的威胁评估架构。
（图片来源：SHIN, KIM, PARK, & YI, 2019.）
要让汽车实现完全自动驾驶，并且要提高安全标准，研究人员还有很长的路要走。即使在预测行人和其他车辆的移动方面有所改进，人类的行为往往也是很难预测的。此外，在不久的将来，自动驾驶汽车将与行人和非自动驾驶汽车混合使用，这使得驾驶场景非常复杂。尤其是如果没有许多不同类型的传感器，那么级联效应将会很难预测。车辆可能需要安装传感器，这不仅可以探测附近的运动，还能从一定距离内的邻近区域接收更新，从而根据行人和车辆交通流预测车辆可能的运动选项。要达到满足安全要求的高度准确的预测，相关研究人员还需要做更多的工作，这也意味着目前可能只能实现部分汽车的自动驾驶功能。
参考文献：
[1]An example of this work and description of how this work was done can be found here: https://next.cs.cmu.edu and Liang, J., Jiang, L., Niebles, J. C.,Hauptmann, A. G., & Fei-Fei, L. (2019). Peeking into the future: Predicting future person activities and locations in videos. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 5725-5734).https://arxiv.org/pdf/1902.03748.pdf
[2]For more on intent identification using pedestrian actions, see: Pandey, Pranav,and Jagannath V. Aghav. 2020. “Pedestrian–Autonomous Vehicles Interaction Challenges: A Survey and a Solution to Pedestrian Intent Identification.” In Advances in Data and Information Sciences, edited by Mohan L. Kolhe, ShaileshTiwari, Munesh C. Trivedi, and Krishn K. Mishra, 94:283–92. Singapore: SpringerSingapore. https://doi.org/10.1007/978-981-15-0694-9_27.
[3]For more on vehicle prediction by autonomous vehicles, see: Shin,Donghoon, Hyun-geun Kim, Kang-moon Park, and Kyongsu Yi. 2019. “Development of Deep Learning Based Human-Centered Threat Assessment for Application to Automated Driving Vehicle.” Applied Sciences 10 (1): 253.https://doi.org/10.3390/app10010253.
[4]For more on classifying autonomous vehicles, see: Shreyas, V., Skanda N.Bharadwaj, S. Srinidhi, K. U. Ankith, and A. B. Rajendra. 2020. “Self-Driving Cars: An Overview of Various Autonomous Driving Systems.” In Advances in Dataand Information Sciences, edited by Mohan L. Kolhe, Shailesh Tiwari, Munesh C.Trivedi, and Krishn K. Mishra, 94:361–71. Singapore: Springer Singapore.https://doi.org/10.1007/978-981-15-0694-9_34.
点击文末“阅读原文”即可查看原文章
内容转载、商务活动、投稿等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com
欢迎关注慧天地同名新浪微博：
ID：慧天地_geomaticser
国际资讯|DroneInch推出业界首个运营商级无人机运营管理平台国际资讯|至2026年，激光雷达在测绘市场中的数额将突破40亿美元
国际资讯|放大显示以实现最高程度的治理
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，探索企业核心竞争力，传播测绘地理信息文化，为测绘、地信、遥感等相关专业的同学提供日常学习、考研就业一站式服务，旨在打造政产学研用精准对接的平台。
《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后オ正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
编辑：魏青 审核：安有硕 杜一鸣
指导：万剑华教授