GROVE: Grounded Pedestrian Simulation via Natural Language for Interactive Social Robot Navigation
Singapore Management University（新加坡管理大学）；Technical University Berlin（柏林工业大学）；National University of Singapore（新加坡国立大学）
提出GROVE框架，通过自然语言指令生成逼真且具有社交挑战性的行人仿真场景，结合多种SotA方法模拟长时人类行为、中时行人导航和短时机器人社交交互，缩小仿真到现实的差距。
2026-06-25 cs.RO
Evaluating Robot Influence on Pedestrian Behavior Models for Crowd Simulation and Benchmarking
University of Bonn（波恩大学）；The Lamarr Institute（拉玛尔研究所）；Center for Robotics（机器人中心）
提出基于Social Robot Force Model (SRFM)的仿真框架，利用JRDB数据集学习参数，客观测量并基准测试不同导航算法驱动机器人对行人轨迹的偏离，验证了客观测量行人反应的可行性并用于训练评估RL策略。
2024-09-23 cs.RO
Towards Next Generation of Pedestrian and Connected Vehicle In-the-loop Research: A Digital Twin Co-Simulation Framework
University of Central Florida（中佛罗里达大学）
本研究提出了一种用于行人与联网车辆在环仿真的数字孪生框架，基于Carla-Sumo和CAVE构建示例架构，并通过V2P预警系统案例验证其有效性，为ITS应用提供测试平台。
2023-03-11 cs.RO
Simulation of collision avoidance behavior in crowd movement by data-driven approach
Department of Architecture and Civil Engineering（建筑与土木工程系）；University of Hong Kong（香港大学）
针对数据驱动人群模拟中碰撞率高的问题，提出一种结合碰撞惩罚的生成对抗网络（CPGAN），通过侧向加速度碰撞损失函数和Voronoi特征提取方法，有效降低双向流中的对向碰撞率。
2026-05-29 cs.AI cs.RO
Autonomous Vehicles that Interact with Pedestrians: A Survey of Theory and Practice
Department of Electrical Engineering and Computer Science, York University（约克大学电气工程与计算机科学系）；York University（约克大学）；Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；Toronto（多伦多）；ON, Canada（加拿大安大略省）
自动驾驶汽车目前面临的主要挑战之一是在城市环境中驾驶。为了实现这一目标，自动驾驶汽车需要能够与其他道路使用者进行沟通并理解他们的意图。作为最脆弱的道路使用者，车辆和行人之间的这种互动至关重要。了解行人的行为，但是，是不直观的，并取决于各种因素，如人口统计学的行人，交通动态，环境条件等，在本文中，我们确定这些因素通过调查行人行为的研究，无论是经典的作品，对驾驶员的互动和现代的，涉及自动驾驶汽车。为此，我们将讨论研究行人行为的各种方法，并分析文献中确定的因素是如何相互关联的。我们还将回顾旨在解决交互问题的实际应用，包括与行人通信的自动驾驶汽车的设计方法，以及为理解行人意图而定制的视觉感知和推理算法。根据我们的研究结果，我们将讨论开放的问题，并提出未来的研究方向。
2018-05-30 cs.CV cs.HC cs.RO
Game and Simulation Design for Studying Pedestrian-Automated Vehicle Interactions
Michigan State University（密歇根州立大学）；National Technical University of Athens（雅典国家技术大学）；Open University of Cyprus（塞浦路斯开放大学）
目前的跨学科研究探讨了在安全的虚拟环境中的无人驾驶汽车与自动驾驶汽车的交互。我们首先介绍了该领域的当代工具，然后提出了一个新的应用程序，促进行人的观点研究的设计和开发。我们进行了一个三步用户体验实验，参与者在各种场景下使用应用程序之前和之后回答问题。虚拟中的行为结果，特别是当有后果时，往往能够很好地模拟现实生活，以做出设计选择，我们对人/车交互有了宝贵的见解。我们的工具似乎开始提高参与者对自动驾驶汽车及其能力和局限性的认识，这是克服公众对自动驾驶汽车不信任的重要一步。此外，研究用户如何尊重或利用AV可能有助于为未来的操作模式指标设计以及可能支持社会最佳AV操作的算法偏差提供信息。
2021-09-30 cs.CY cs.HC cs.RO
Using Collision Momentum in Deep Reinforcement Learning Based Adversarial Pedestrian Modeling
The Ohio State University（俄亥俄州立大学）
针对现有行人仿真算法难在极端场景挖掘自动驾驶短板的问题，提出一种专门针对碰撞的强化学习算法，可高效生成更严重碰撞，助力识别修正自动驾驶算法缺陷。
2023-06-13 cs.AI cs.LG cs.RO
Fast Simulation of Crowd Collision Avoidance
University of Sheffield（谢菲尔德大学）
具有真实行为的实时大规模人群模拟对于许多应用领域都很重要。在CPU上，ORCA行人转向模型通常用于基于代理的行人模拟。本文介绍了一种在GPU上运行ORCA行人转向模型的技术。性能提高高达30倍以上的多核CPU模型被证明。这种改进是通过GPU上的专用线性程序求解器和信息共享的空间分区来实现的。这使得超过100，000人能够被实时的模拟（每秒60帧）。
2019-08-27 cs.RO
Efficient Behavior-aware Control of Automated Vehicles at Crosswalks using Minimal Information Pedestrian Prediction Model
University of Michigan（密歇根大学）；University of Massachusetts（马萨诸塞大学）
为了让自动驾驶汽车（AV）可靠地通过人行横道，它们需要了解行人的过街行为。简单可靠的行人行为模型通过允许AV预测未来的行人行为来帮助实时AV控制。在本文中，我们提出了一个行为感知模型预测控制器（B-MPC）的AV，采用了长期的预测行人过街行为使用以前开发的行人过街模型。该模型结合行人间隙接受行为，并利用最少的行人信息，即他们的位置和速度，预测行人过街行为。BMPC控制器通过仿真验证，并与基于规则的控制器进行比较。通过结合行人行为的预测，B-MPC控制器能够有效地规划更长的视野，并处理比基于规则的控制器更广泛的行人交互场景。结果表明，控制器的安全和有效的导航在交叉口的情况下的适用性。
2020-03-22 cs.CY cs.HC cs.RO
Pedestrian Models for Autonomous Driving Part II: High-Level Models of Human Behavior
Lincoln Centre for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）；Institute of Engineering Sciences, De Montfort University（德蒙福特大学工程科学研究所）；Bayerische Motoren Werke Aktiengesellschaft (BMW)（宝马集团）；Robert Bosch GmbH（罗伯特·博世有限公司）；DLR (German Aerospace Center)（德国航空航天中心）；Centro Ricerche Fiat (CRF)（菲亚特研究中心）；Ibex Automation Ltd（伊贝克斯自动化有限公司）
自动驾驶汽车（AV）必须与行人共享空间，无论是在车道情况下，如人行横道上的汽车，还是在非车道情况下，如在拥挤的高街上穿过人群的送货车辆。与静态障碍物不同，行人是具有复杂交互运动的主动代理。因此，在行人存在的情况下规划AV动作需要对他们可能的未来行为进行建模，以及检测和跟踪他们。这篇叙述性评论文章是第二部分，从AV设计师的角度，一起调查了这一过程中涉及的当前技术堆栈，将最近的研究组织成一个层次分类法，从低级图像检测到高级心理模型。这个独立的第二部分涵盖了这个堆栈的更高层次，包括行人行为模型，从预测单个行人的可能目的地和路径，到行人和自动驾驶汽车之间交互的博弈论模型。这项调查清楚地表明，虽然有很好的模型，最佳的步行行为，高层次的心理和行人行为的社会建模仍然是一个开放的研究问题，需要澄清许多概念问题。早期的工作已经完成了描述性和定性模型的行为，但仍需要大量的工作，将其转化为定量算法，实际AV控制。
2020-07-20 cs.GT cs.HC cs.LG
Realistic adversarial scenario generation via human-like pedestrian model for autonomous vehicle control parameter optimisation
Institute for Transport Studies（交通研究 institute）；School of Computer Science（计算机科学学院）；Five AI Ltd.（Five AI 公司）
本文提出类人行人模型生成现实对抗场景，用于优化自动驾驶车辆控制参数，提升安全性和效率。
2026-02-04 cs.HC cs.RO
Recovering and Simulating Pedestrians in the Wild
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）；MIT（麻省理工学院）
传感器仿真是测试自动驾驶车辆性能和数据增强以改善训练感知系统的关键组成部分。典型的方法依赖于艺术家创建3D资源及其动画来生成新的场景。然而，这并不成比例。相比之下，我们建议从自动驾驶汽车在野外捕获的传感器读数中恢复行人的形状和运动。为了实现这一目标，我们制定了能源最小化的问题，在一个深层次的结构化模型，利用人体形状先验，重投影与从图像中提取的2D姿态的一致性，并鼓励重建的网格与激光雷达读数的光线投射器。重要的是，我们不需要任何地面实况3D扫描或3D姿态注释。然后，我们将重建的行人资产银行在一个现实的激光雷达模拟系统中，通过执行运动重定向，并表明模拟的激光雷达数据可以用来显着减少的注释的真实世界的数据量所需的视觉感知任务。
2020-11-16 cs.CV cs.RO
