2021-11
智能车辆行人时空风险水平预测:数据驱动的方法
分类: 机器人技术, 人机交互
作者: Zheyu Zhang, Boyang Wang, Chao Lu, Jinghang Li, Cheng Gong, Jianwei Gong
发布时间: 2021-11-06
链接: http://arxiv.org/abs/2111.03822v1
摘要: 近年来,道路安全引起了智能交通系统领域研究人员和从业者的高度关注。作为最常见和最脆弱的道路使用者群体之一,行人因其不可预测的行为和运动而引起极大关注,因为车辆与行人互动中的微妙误解很容易导致危险情况或碰撞。现有方法使用预定义的基于碰撞的模型或人工标记方法来估计行人的风险。这些方法通常受到泛化能力差和缺乏对自我车辆与行人之间相互作用的考虑的限制。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。由于数据包含有关自我车辆和行人运动的信息,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后续五帧中的时空特征。由于预测轨迹遵循一定的交互和风险模式,因此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级别分类器。通过预测行人的时空特征并识别相应的风险级别,可以确定本车和行人之间的风险模式。实验结果验证了PRLP系统预测行人风险等级的能力,从而支持智能车辆的碰撞风险评估,为车辆和行人提供安全预警。
ML-PersRef:一种基于机器学习的个性化多模态融合方法,用于从移动车辆引用外部对象
分类: 人机交互, 计算机视觉和模式识别, H.5.2; H.1.2
作者: Amr Gomaa, Guillermo Reyes, Michael Feld
发布时间: 2021-11-03
链接: http://arxiv.org/abs/2111.02327v1
摘要: 在过去的几十年里,现代车辆中添加了数百个传感器,导致其功能呈指数级增长。这允许采用新颖的与车辆交互的方法,超越传统的基于触摸和语音命令的方法,例如情绪识别、头部旋转、眼睛注视和指向手势。尽管凝视和指向手势之前已被用于参考车辆内部和外部的物体,但这些手势的多模态交互和融合迄今为止尚未得到广泛研究。我们提出了一种新颖的基于学习的多模态融合方法,用于参考车外物体,同时在模拟环境中保持较长的驾驶路线。所提出的多模态方法在多个方面和条件上都优于单模态方法。此外,我们还演示了在完成参考任务时利用用户之间行为差异的可能方法,为每个驾驶员实现适应性强的个性化系统。我们提出了一种基于学习迁移概念的个性化技术,适用于极小的数据量,以增强预测并适应个人参考行为。我们的代码可在 https://github.com/amr-gomaa/ML-PersRef 上公开获取。