Joint Attention in Driver-Pedestrian Interaction: from Theory to Practice
York University(约克大学)
如今,自动驾驶汽车面临的主要挑战之一是在城市环境中驾驶的能力。这样的任务需要自动驾驶车辆和其他道路使用者之间的通信,以便解决各种交通模糊性。道路使用者之间的互动是一种协商的形式,在这种协商中,参与各方必须分享他们的注意力关于一个共同的目标或一个目标(例如,过一个十字路口),并协调他们的行动,以实现it. In这篇文献综述中,我们的目的是解决行人和司机(或车辆)之间的互动问题,从联合注意的角度来看。更具体地说,我们将讨论联合注意背后的理论背景,它在交通交互中的应用以及实现自动驾驶汽车联合注意的实用方法。
2018-03-27 cs.CV cs.RO
Lessons from the Cruise Robotaxi Pedestrian Dragging Mishap
Carnegie Mellon University(卡内基梅隆大学)
本文复盘Cruise robotaxi拖拽行人事故,分析计算机驾驶员在感知、追踪和碰撞后决策上的缺陷,并提出远程确认和车内安全员等更保守的部署策略。
2024-06-15 cs.RO
Forward Collision Warning Systems: Validating Driving Simulator Results with Field Data
Morgan State University(摩根州立大学)
随着先进驾驶辅助系统(ADAS)的出现,在使用这种技术时越来越需要评估驾驶员行为。在这项独特的研究中,在驾驶模拟器环境中引入了一个使用互联车辆技术的前向碰撞警告(FCW)系统,以评估驾驶员的制动行为,然后使用现场测试数据对结果进行验证。本研究共招募了93名参与者,并创建了南巴尔的摩的虚拟网络。进行单样本t检验,发现FCW后速度平均降低15.07 mph,具有统计学显著性。随机森林、机器学习算法被认为是按重要性顺序对数据集中最重要的变量进行排序的最佳方法。从密歇根大学交通研究所(UMTRI)获得的现场数据,证实了FCW的调查结果,从这个驾驶模拟器的研究。
2021-12-17 cs.RO
Harnessing ADAS for Pedestrian Safety: A Data-Driven Exploration of Fatality Reduction
Department of Engineering, South Carolina State University(南卡罗来纳州立大学工程系);Department of Computational Engineering and Data Science, North Carolina A\&T State University(北卡罗来纳州A&T州立大学计算工程与数据科学系)
本研究针对美国行人死亡率上升的问题,基于FARS数据开展分析,量化PAEB、FCW、LDW等ADAS功能的降亡效果,发现其效果受低光照、恶劣天气等条件制约,为优化ADAS部署提供参考。
2025-08-24 cs.CY cs.RO
Autonomous Driving: Framework for Pedestrian Intention Estimationin a Real World Scenario
Johannes Kepler University Linz(约翰开普勒林茨大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Ural Federal University(乌拉尔联邦大学)
驾驶辅助技术的快速发展将导致完全自动驾驶汽车在我们的道路上与其他道路使用者互动。为了解决无人驾驶车辆无法通过目光接触进行交互的问题,我们描述了一个用于估计行人过街意图的框架,以减少道路使用者之间缺乏目光接触所产生的不确定性。该框架被部署在一个真正的车辆和测试与三个实验案例,显示了各种通信信息的行人在共享空间的情况下。现场试验结果表明了该方法的可行性。
2021-02-22 cs.RO
Intersection Warning System for Occlusion Risks using Relational Local Dynamic Maps
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI Europe));Technical University of Darmstadt(达姆施塔特工业大学)
这项工作解决了交通场景中的风险评估任务,由于有限的感官覆盖范围有限的可观察性。在这里,我们专注于十字路口的情况下,很难访问的视觉。为了确定该地区的视线,我们采用光线投射在当地的动态地图提供几何信息和道路基础设施。基于可见性降低的区域,我们首先建模场景实体,构成潜在的风险,而不是视觉感知。然后,我们预测的最坏情况下的轨迹在碰撞风险估计的生存分析。由此产生的风险指标被用来评估驾驶员的当前行为,在危急情况下警告驾驶员,给出如何安全行动或规划安全轨迹的建议。我们验证我们的方法,将产生的交叉口预警系统在现实世界中的情况。所提出的系统的行为揭示了模仿正确行为的人类驾驶员的一般行为。
2023-03-13 cs.AI cs.RO
Probabilistic Collision Risk Estimation for Pedestrian Navigation
Biped Robotics SA;Honda Research Institute Europe GmbH(本田欧洲研究机构);Honda Research Institute Japan Co., Ltd.(本田日本研究机构);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本研究将自动驾驶中的概率碰撞风险模型应用于视力障碍者导航辅助,实验表明其警告准确率67%,优于距离和时间度量(51%)。
2025-06-19 cs.RO
Intent Communication between Autonomous Vehicles and Pedestrians
Oklahoma State University(俄克拉荷马州立大学);University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
当行人遇到车辆时,他们通常会停下来等待司机的信号,要么穿过马路,要么等待。当汽车是自动驾驶的,没有人类司机给他们发信号时会发生什么?本文试图解决这个问题的意图通信系统(ICS),在人类司机的地方。这个意图系统的开发考虑到了行人所熟悉的背后的心理以及他们对机器的期望。该系统将这些期望集成到物理系统和数学算法的设计中。该系统的目标是确保通信简单有效,而不会让行人对自动驾驶汽车产生不信任感。为了验证ICS,已经运行了两种类型的实验:自动驾驶车辆的现场测试,以确定人类实际上如何与ICS进行交互,以及模拟多种潜在行为。两个实验的结果表明,与车辆的意图未知时相比,当车辆的意图被传达时,人类的反应更积极,更可预测。特别是,模拟结果显示,当ICS启用且行人事先了解车辆时,行人对车辆行为的信任度与ICS未启用且行人事先不了解车辆时的信任度之间存在142%的差异。
2017-08-23 cs.HC cs.RO
Assessing Localization Technologies for Pedestrian Collision Avoidance
Dept. Intelligent Transport Systems, Johannes Kepler University Linz(智能交通系统系,约翰内斯·开普勒大学林茨)
本文评估了超宽频技术和蓝牙6.0在行人碰撞预警中的定位精度,并将其与全球导航卫星系统进行性能对比,发现这些技术在特定场景下可作为替代或补充方案,提升环境感知能力。
2026-05-18 cs.RO
Sequential Attacks on Kalman Filter-based Forward Collision Warning Systems
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
卡尔曼滤波器(KF)被广泛应用于各个领域,以执行顺序学习或变量估计。在自动驾驶汽车的背景下,KF构成了许多高级驾驶辅助系统(ADAS)的核心组件,例如前向碰撞警告(FCW)。它跟踪状态(距离,速度等)基于传感器测量的相关交通对象。KF的跟踪输出通常被馈送到下游逻辑中以产生警报,然后人类驾驶员将使用这些警报来在接近碰撞的情况下做出驾驶决策。在本文中,我们研究了对抗攻击KF作为更复杂的机器-人类混合系统的前向碰撞警告的一部分。我们的攻击目标是通过使KF输出导致错误或延迟警报的不正确的状态估计来对人类制动决策产生负面影响。我们通过顺序操纵输入KF的测量值来实现这一点,并提出了一种新的模型预测控制(MPC)方法来计算最佳操纵。通过在模拟驾驶环境中进行的实验,我们表明,攻击者能够成功地改变FCW警报信号,通过计划操纵测量之前所需的目标时间。这些结果表明,我们的攻击可以悄悄地误导分心的人类驾驶员并导致车辆碰撞。
2020-12-16 cs.AI cs.LG cs.RO
TriDrive: Joint Driver, Vehicle, and Road Modeling for Forecasting and Driver Monitoring
TriDrive是首个联合预测驾驶员、车辆和道路的统一框架,通过自动化条件转移模型和有向残差连接提升预测性能,并在实时车载评估中优于基线。
2026-09-29 cs.CV cs.RO
Infrastructure-based End-to-End Learning and Prevention of Driver Failure
Massachusetts Institute of Technology(麻省理工学院);California Institute of Technology(加州理工学院)
提出基于基础设施的 FailureNet 循环神经网络,通过端到端学习车辆接近交叉口的轨迹来识别控制故障、感知错误和超速行为,并在 MiniCity 硬件部署中达到 84% 以上准确率。
2023-03-21 cs.AI cs.LG cs.RO
Personal space of autonomous car's passengers sitting in the driver's seat
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所);Grenoble INP(格勒诺布尔综合理工学院);CNRS(法国国家科学研究中心);LIG(格勒诺布尔图像与信号实验室)
这篇文章涉及自动驾驶汽车在行人和汽车共享空间内的城市中心导航的具体情况。驾驶员将控制权委托给自动驾驶系统,同时保持坐在驾驶员座位上。这项研究旨在通过测试汽车周围是否存在个人空间,首次深入了解人类对车辆空间感知的定义。它旨在测量驾驶员在这种条件下的舒适区的空间信息。Proxemics,或人类对空间的感知,在很大程度上被应用于人类或机器人时进行了探索,导致了个人空间的概念,但是当应用于车辆时很差。在这篇文章中,我们强调了汽车周围舒适区的存在和特点,这与汽车和其他道路使用者之间的碰撞风险无关。我们的实验包括19名志愿者使用虚拟现实耳机,从坐在自动驾驶汽车驾驶座上的乘客的角度观看360{ \textdegree }拍摄的30个场景。当他们感到不舒服时,他们被要求说“停”。正如所说,这些场景自愿避免碰撞效应,因为我们不想测量恐惧,而是不舒服。这些场景涉及一个或三个行人从汽车旁边走过,距离机翼不同的距离。汽车,相对于汽车的运动方向,在两侧。汽车以不同的速度静止或直线向前运动,结果表明汽车周围存在一个舒适区,在这个舒适区内,行人的侵入会引起不适,舒适区的大小对行人经过的汽车侧面和行人的数量都不敏感。相反,不舒适的感觉是相对于汽车的运动(静态或移动)。本研究的另一个结果是使用第一人称360{ \textdegree }视频和虚拟现实耳机来评估自动驾驶汽车内的乘客的感觉的说明。
2018-05-09 cs.HC cs.RO
People as Sensors: Imputing Maps from Human Actions
University of California at Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
尽管人们对自动驾驶的关注越来越多,但仍然存在许多悬而未决的问题,包括自动驾驶汽车将如何与其他智能体(如人类驾驶员和行人)进行交互和通信。与大多数专注于行人检测和避碰规划的方法不同,本文考虑对人类驾驶员和行人之间的交互进行建模,以及它如何影响地图估计,作为检测的代理。我们采取了一种映射启发的方法,并将人作为传感器纳入映射框架。通过利用其他代理的行动,我们演示了我们如何可以归咎于地图的部分,否则将被遮挡。我们评估我们的框架在人类驾驶实验和现实世界的数据,使用占用网格和基于地标的映射方法。我们的方法显着提高了整体环境意识,并优于标准的映射技术。
2019-01-08 cs.RO
Off The Beaten Sidewalk: Pedestrian Prediction In Shared Spaces For Autonomous Vehicles
Robotics Institute, University of Michigan(密歇根大学机器人研究所);University of Michigan(密歇根大学)
行人和司机在各种环境中密切互动。自动驾驶汽车(AV)相应地面临着预测行人在这些相同环境中的未来轨迹的需求。传统的基于模型的预测方法仅限于在具有信号交叉口、标记人行横道或路缘的高度结构化场景中进行预测。相反,深度学习方法利用数据集来学习跨场景泛化的预测特征,代价是模型的可解释性。本文旨在通过提出一种基于风险的注意力机制来学习行人何时屈服,以及一种车辆影响模型来学习屈服如何影响运动,从而实现广泛适用和可解释的预测。一种新颖的概率方法,即人行道外预测(OSP),使用这些方法在共享空间和传统场景中实现准确的预测。城市数据集上的实验表明,该方法的实时性达到了最先进的性能。
2020-06-01 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
Prediction of Pedestrian Spatiotemporal Risk Levels for Intelligent Vehicles: A Data-driven Approach
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
近年来,道路安全已经引起了智能交通系统领域的研究人员和实践者的极大关注。作为道路使用者中最常见、最脆弱的群体之一,行人因其不可预测的行为和动作而引起极大关注,因为车行互动中的细微误解很容易导致危险情况或碰撞。现有的方法使用预定义的基于碰撞的模型或人类标记的方法来估计行人的风险。这些方法通常是有限的,他们的泛化能力差,缺乏考虑的自我车辆和行人之间的相互作用。这项工作通过提出行人风险水平预测系统来解决所列出的问题。该系统由三个模块组成。首先,收集车辆视角的行人数据。由于数据包含关于自我车辆和行人的移动的信息,因此它可以以交互感知的方式简化时空特征的预测。利用长短期记忆模型,行人轨迹预测模块预测其在随后五帧中的时空特征。由于预测轨迹遵循一定的相互作用和风险模式,采用混合聚类和分类方法来探索时空特征中的风险模式,并使用学习到的模式训练风险等级分类器。在预测行人的时空特征和识别相应的风险水平,确定本车和行人之间的风险模式。实验结果验证了PRLP系统预测行人风险水平的能力,从而支持智能车辆碰撞风险评估,为车辆和行人提供安全预警。
2021-11-06 cs.HC cs.RO
Pedestrians play chicken with an autonomous vehicle
School of Engineering and Physical Science, University of Lincoln(林肯大学工程与物理科学学院);CESI, CESI LINEACT(CESI及CESI LINEACT)
本文提出基于博弈论的序列斗鸡模型,通过实验验证自动驾驶车辆在行人优先权下的决策机制,发现行人行为可通过低碰撞时间价值模型有效拟合。
2026-04-27 cs.RO
What is the appropriate speed for an autonomous vehicle? Designing a Pedestrian Aware Contextual Speed Controller
Australian Centre for Field Robotics, The University of Sydney(悉尼大学澳大利亚野外机器人中心)
社会接受度是自动驾驶汽车技术的主要障碍,其核心是确保乘客和附近行人感到安全。这种“感觉安全”和感觉安全的想法是高度主观的,植根于人的直觉。因此,传统的自主导航分析方法往往无法满足个人的社会期望。因此,本文提出了一种方法来捕捉社会期望的复杂性,并将这种复杂性集成到一个3层的上下文速度控制器。层是;法定道路速度限制、给定附近行人数量的社会可接受速度以及基于与附近行人的接近度的社会可接受速度。这种分层的方法的实施进行了测试,在低和高的车辆-行人互动的领域。从所进行的实验中可以看出,较低的两层协同工作,将车速调节到适当的水平,以模仿保守的人类驾驶员行为。总之,这项工作量化了行人环境与社会可接受的车辆速度之间的关系,从而实现了更安全的自动驾驶。此外,需要不同的驾驶方案导航不同的道路环境被确定。
2021-04-13 cs.RO
Digital Twin Technology Enabled Proactive Safety Application for Vulnerable Road Users: A Real-World Case Study
University of Vigo(维戈大学);The University of Alabama(阿拉巴马大学)
本研究针对现有道路安全措施无法应对即将发生的碰撞、网联车预警系统碰撞预测能力不足的问题,利用数字孪生技术结合三类编码器-解码器LSTM轨迹预测模型,构建弱势道路使用者主动安全预警系统,经真实场景验证可有效检测潜在碰撞并主动预警。
2023-11-24 cs.RO
Forecasting Pedestrian Trajectory with Machine-Annotated Training Data
University of Warwick(华威大学);Michigan State University(密歇根州立大学)
可靠地预测行人轨迹对于自动驾驶汽车的运行至关重要,并且可以显著增强高级驾驶员辅助系统的功能。虽然行人检测领域已经取得了重大进展,但由于行人的不可预测性和潜在有用特征的巨大空间,预测行人轨迹仍然是一个具有挑战性的问题。在这项工作中,我们提出了一个深度学习的方法,行人轨迹预测使用一个单一的车载摄像头。深度学习模型已经彻底改变了计算机视觉的其他领域,但在轨迹预测方面的应用有限,部分原因是缺乏丰富注释的训练数据。我们通过引入一个可扩展的机器注释方案来解决训练数据的缺乏问题,该方案使我们的模型能够使用大型数据集进行训练,而无需人工注释。此外,我们还提出了动态轨迹预测器(DTP),一种用于预测未来一秒内行人轨迹的模型。DTP使用人类和机器注释的数据进行训练,并预测线性模型无法捕获的动态运动。实验评估证实了所提出的模型的好处。
2019-05-09 cs.CV 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
Evaluation of Automated Vehicles Encountering Pedestrians at Unsignalized Crossings
University of Michigan(密歇根大学)
本文提出了一种评估自动驾驶车辆在无信号交叉口与行人互动安全性和可行性的新方法,通过分析数据和模拟行人反应,验证了自动驾驶策略的有效性。
2017-03-28 cs.MA cs.RO cs.SY
Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features
Bosch Center for Artificial Intelligence(博世人工智能中心);Robert Bosch GmbH(罗伯特·博世有限公司)
该研究针对自动驾驶中行人行为预测的难点,通过系统级方法分析需求、提出新型系统视角预测指标,经大规模真实数据集验证及消融实验,证明了系统级方法的重要性。
2021-10-16 cs.LG cs.RO
Realistic pedestrian behaviour in the CARLA simulator using VR and mocap
University of Alcalá(阿尔卡拉大学);European Commission, Joint Research Centre(欧盟委员会联合研究中心)
本文提出一种在CARLA模拟器中结合VR和人体动作捕捉系统的框架,实现真实智能体与模拟环境的实时交互,以解决自动驾驶模拟中的现实差距和真实行为缺乏问题,并验证了真实行人与模拟自动驾驶车辆交互的可用性。
2023-09-08 cs.RO
Autonomous Vehicle Visual Signals for Pedestrians: Experiments and Design Recommendations
University of Waterloo(滑铁卢大学)
自动驾驶汽车(AV)将改变交通运输,也将改变车辆和行人之间的互动。在没有驾驶员的情况下,尚不清楚自动驾驶汽车如何将其意图传达给行人。一种选择是使用视觉信号。为了推进他们的设计,我们进行了四个人类参与的实验,并评估了六个代表性的AV视觉信号的可见性,直观性,说服力和可用性在人行横道。根据研究结果,我们提炼出十二个实用的AV视觉信号设计建议,重点是信号模式的设计和布局。此外,本文提出了视觉信号的实验评估方法,包括使用自动驾驶汽车的实验室,封闭课程和公共道路测试。此外,本文还报告了行人人行横道行为的见解和行人对自动驾驶汽车的信任对行为的影响。我们希望这项工作将为正在进行的AV灯国际标准的制定提供有价值的投入,从而帮助成熟的自动驾驶。
2020-10-10 cs.AI cs.HC cs.MA
Making intersections safer with I2V communication
University of California, Berkeley(加州大学伯克利分校)
十字路口是危险的地方。威胁来自行人、自行车和车辆之间的相互作用,在没有车道标记的情况下更复杂的车辆轨迹,阻止确定谁有通行权的阶段,看不见的车辆接近,车辆障碍物和非法移动。Vision Zero计划中规定的“道路饮食”和道路重新设计并不能完全解决这些挑战,自动驾驶汽车拥有许多传感器和对周围环境的不懈关注也无法完全克服这些挑战。事故也可能发生,因为司机,骑自行车的人和行人没有他们需要的信息,以避免错误的决定。在这些情况下,丢失的信息可以由智能交叉口计算和广播。该信息给出了当前的全信号相位、相位将改变的时间的估计以及驾驶员或自动驾驶车辆的盲点的占用。本文开发了一个智能交叉口的设计,在坦佩,亚利桑那州的一个交叉口的事故分析的动机,自动化的优步沃尔沃和手动本田CRV之间,并最终在一个智能交叉口基础设施的建议。智能十字路口也是“受保护十字路口”设计的软件版本,以改善骑自行车者和行人通过十字路口的通道。
2019-01-19 cs.CY cs.RO
Intention Recognition of Pedestrians and Cyclists by 2D Pose Estimation
Universitat Autònoma de Barcelona(巴塞罗那自治大学);Computer Vision Center(计算机视觉中心)
预测行人和骑自行车者等弱势道路使用者(VRU)的意图对于执行安全和舒适的驾驶操作至关重要。人类驾驶就是这种情况,因此,提供任何级别驾驶辅助的系统(从高级驾驶员辅助系统(ADAS)到全自动驾驶汽车(AV))都应考虑到这一点。在本文中,我们展示了基于单目视觉的人体姿态估计的最新进展,即那些依赖于深度卷积神经网络(CNN)的人,能够识别这种VRU的意图。在骑自行车的情况下,我们假设他们遵守交通规则,以表明未来的演习与手臂信号。在行人的情况下,没有迹象可以假设。相反,我们假设行人的行走模式允许确定他/她是否有在自我车辆的路径中横穿道路的意图,使得自我车辆必须相应地操纵(例如,减速或停止)。在本文中,我们将展示如何使用相同的方法来识别行人和骑自行车的人的意图。对于行人,我们在JAAD数据集上进行实验。对于骑自行车的人,我们没有找到类似的数据集,因此,我们通过获取和注释我们与研究社区共享的视频来创建自己的数据集。总的来说,拟议的管道提供了新的国家的最先进的结果VRU的意图识别。
2019-10-09 cs.CV cs.RO
Context Model for Pedestrian Intention Prediction using Factored Latent-Dynamic Conditional Random Fields
顺畅地处理行人交互是自动驾驶汽车(AV)和高级驾驶员辅助系统(ADAS)的关键要求。这样的系统要求对车辆前方行人的横穿/不横穿行为进行早期和准确的预测。现有的行人行为预测方法利用行人的运动,他/她在场景中的位置和静态的上下文变量,如交通信号灯,斑马线等,我们强调的必要性,早期预测平稳运行这样的系统。为此,我们介绍了车辆的相互作用对行人意图的影响。在本文中,我们展示了一个明显的进步,在预测时间的帮助下,包括这样的车辆相互作用的背景。我们将我们的方法应用于两个不同的数据集,一个是内部收集的NTU数据集,另一个是公开的真实基准测试JAAD数据集。我们还提出了一个通用的图形模型因子化的潜在动态条件随机场(FLDCRF)的单标签和多标签序列预测以及联合互动建模任务。在相同的时间序列特征上,FLDCRF在数据集(每个数据集$\sim$ 100个序列)上的表现优于长短期记忆(LSTM)网络。虽然现有的最好的系统预测行人停车行为与70\%的准确性0.38秒之前的实际事件,我们的系统达到这样的准确性平均至少0.9秒之前的实际事件跨数据集。
2020-09-15 cs.CV cs.RO eess.IV
Learning and Inferring a Driver's Braking Action in Car-Following Scenarios
Beijing Institute of Technology(北京理工大学);University of Michigan(密歇根大学)
准确预测和推断驾驶员的刹车决定对于设计预警系统和避免碰撞至关重要。在本文中,我们专注于预测驾驶员的意图刹车跟车场景从感知决策行动的角度来看,根据他/她的驾驶历史。提出了一种基于学习的推理方法,利用CAN总线、雷达和摄像头采集的车载数据作为解释变量,结合高斯混合模型(GMM)和隐马尔可夫模型(HMM),对驾驶员的制动决策进行推理。GMM用于建模变量之间的随机关系,而HMM应用于基于GMM的驾驶员制动行为推断。从密歇根大学安全试点模型部署数据库中收集了49名驾驶员的真实驾驶数据(平均每个驾驶员超过三年的驾驶数据)。我们比较了GMM-HMM方法与支持向量机(SVM)方法和SVM-Bayesian滤波方法。实验结果进行评估,采用三个性能指标:准确性,灵敏度,特异性。比较结果表明,GMM-HMM的性能最好,准确性为90%,敏感性为84%,特异性为97%。因此,我们相信,这种方法具有很大的潜力,为现实世界的主动安全系统。
2018-01-11 cs.LG cs.RO
Joint Attention in Autonomous Driving (JAAD)
在本文中,我们为自动驾驶的一个关键方面提出了一个新的数据集,即驾驶员与行人、骑自行车者或其他驾驶员之间必须发生的联合注意力。该数据集的目的是展示交通参与者的行为可变性。我们还展示了行为和场景理解的视觉复杂性如何受到各种因素的影响,如不同的天气条件,地理位置,交通和人口统计的人参与。地面实况数据传达有关参与者的位置(边界框),物理条件(例如照明和速度)以及参与方的行为的信息。
2020-04-22 cs.RO
Online and Predictive Warning System for Forced Lane Changes using Risk Maps
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI 欧洲));Faculty of Electrical Engineering (FHWS)(维尔茨堡-施韦因富特应用科学大学(FHWS)电气工程学院);Control Methods and Robotics Lab (TU Darmstadt)(达姆施塔特工业大学(TU Darmstadt)控制方法与机器人实验室)
驾驶轨迹的生存分析允许对碰撞或弯曲道路引起的与汽车相关的风险进行整体评估。这种分析比常见的Time-To-X指标具有优势,例如其预测性和概率性。然而,到目前为止,理论上的风险还没有在现实环境中得到证明。因此,在本文中,我们提出了风险地图(RM)的在线警告支持的情况下,被迫变道,由于道路的尽头。为此,我们首先统一传感器数据在一个关系本地动态地图(R-LDM)。RM之后能够实时运行,并有效地探测一系列情况,以确定风险最小化的行为。在此基础上,我们着重研究了系统的不确定性意识和透明度的提高。风险、实用性和舒适性成本包含在一个公式中,并直观地可视化给驾驶员。在所进行的实验中,利用了具有用于定位的GNSS接收器和用于目标检测的多个相机的低成本传感器设置。最终的系统成功地应用于双车道的道路,并建议车道变换建议,这是分开的间隙和无间隙的指示。这些结果是有希望的,是迈向可解释安全性的重要一步。
2023-03-15 cs.RO cs.SY eess.SY
Modeling Drivers' Risk Perception via Attention to Improve Driving Assistance
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所)
针对 FCW 警报冗余问题,本文基于真实部署视频和驾驶员注视标注,利用反事实轨迹预测建模驾驶员风险感知,从而降低误报并改善预警时机。
2024-09-07 cs.HC cs.RO
Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space
University of Waterloo(滑铁卢大学)
提出一种不确定性感知的DRL方法,通过新颖奖励函数纳入行人预测不确定性,在真实行人仿真环境中训练,显著降低碰撞率并提升安全距离,优于现有模型和MPC方法。
2024-05-22 cs.AI cs.LG cs.RO
CARPAL: Confidence-Aware Intent Recognition for Parallel Autonomy
Toyota Research Institute(丰田研究所);Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
预测驾驶员意图是高级驾驶员辅助系统的一项困难而关键的任务。传统的预测置信度度量通常忽略了预测轨迹影响下游安全驾驶决策的方式。在本文中,我们提出了一种新的多任务的意图识别神经网络,预测不仅概率驾驶轨迹,但也实用统计与给定的下游任务的预测。我们建立了一个决策标准的并行自主权,考虑到驾驶员轨迹预测的作用,在实时决策推理估计的特定任务的效用统计。我们进一步提高我们的系统的鲁棒性,考虑下游规划任务,可能会导致不安全的决策的不确定性。我们在一个现实的城市驾驶数据集上测试了我们的在线系统,并证明了与基线方法相比,它在召回和脱落指标方面的优势,并证明了它在干预和警告用例中的有效性。
2021-03-17 cs.AI cs.LG cs.RO
Classification of Safety Driver Attention During Autonomous Vehicle Operation
Australian Centre for Robotics(澳大利亚机器人中心);University of Sydney(悉尼大学);Universidad Nacional del Sur(南方国立大学);CONICET(阿根廷国家科学与技术研究委员会)
本文提出一种结合红外摄像头与车辆感知系统数据的双源方法,用于监测自动驾驶车辆操作员的注意力水平,以提升安全性和效率。
2023-10-17 cs.CV cs.HC cs.RO