基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory,LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity,CV)模型、交互多模型(Interacting Multiple Model,IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方法可提前0.56 s识别行人的转弯意图,可为智能车辆的决策模块提供有益线索;提出的方法能够有效降低行人意图转变过程中的轨迹预测误差,对减小车辆与行人碰撞事故,提高智能车辆行驶安全性具有重要意义。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于行人视野注意力场的人车微观交互模型

从行人视觉认知角度出发，提出一种基于行人视野注意力场的人车微观交互模型。构建视野注意力场驱动行人视野域，利用人工势场驱动行人运动，利用目标捕捉算法来控制行人视野域对目标的捕捉。为了验证模型的有效性，使用无人机采集鸟瞰视角下的人车交互数据并进行处理分析，将行人过街风格分为保守、谨慎和冒险3种类型，在Pygame平台下搭建仿真场景和交互模型，把不同行人过街风格的交互数据作为模型输入，以模型输出的行人时空轨迹与采集的真实时空轨迹之间的相似度进行实验对比。结果表明，建立的基于行人视野注意力场的人车微观交互模型比常规人工势场模型准确性提高了25.48%，能够有效地复现实际交通场景中的人车交互过程。     

城市道路无信号控制路段行人过街风险分级预警模型

为量化城市无信号控制路段下的行人过街风险，避免人车冲突事故频发，提出基于K-means算法的行人过街风险量化分级方法，并在此基础上建立了基于随机森林的行人过街风险分级预警模型。考虑时空接近程度及潜在碰撞伤害大小，选取冲突时间差、潜在碰撞距离与潜在碰撞能量3个指标，准确刻画出实际的人车交互场景，并利用K-means算法对行人过街风险状态进聚类划分，明确相应的行人过街风险等级。综合行人过街场景中包含的天气状况、道路交通设施、行人交通特征、机动车交通特征与历史事故等5类风险隐患因素，提出了30项行人过街风险二级指标，依据基尼不纯度对风险指标进行筛选并构建出最优的预警指标集，以此为模型输入，利用随机森林算法建立了能对行人过街风险进行细化、量化预测的分级预警模型。以山西省某市3处行人过街样本数据为算例验证模型的可行性。算例分析表明:行人过街风险等级分为5级时，量化分级结果能与实际行人过街情景较好吻合；本文提出的分级预警模型对各风险等级预测的整体正确率可达86.67%，其中对一级与四级风险的预警能力最为突出，一级风险识别准确率达到100%，四级风险识别准确率达到94.7%。本研究提出的行人过街风险分级预警模型解决了既往研究中存在的风险指标不够全面、风险等级划分未完全贴合实际场景、预警等级未细化等问题，提高了风险预警准确率。      

交叉口绿闪信号行人过街行为模型

城市信号交叉口通过设置绿闪信号,在机动车获得通行权之前清空人行横道上的过街行人.为研究行人在此信号期间的过街行为,提出一种绿闪信号时行人过街运动模型.综合分析绿闪信号、周围过街行人、人行横道边界以及右转冲突车辆对行人过街的影响机理,基于社会力模型,建立绿闪后人行横道上行人过街行为模型,并根据实际调查所获得的人行横道尺寸、行人与车辆速度等数据,标定模型参数.基于模型仿真行人运动行为,产生行人分层现象以及与周围行人、冲突车辆避碰等行为,验证模型在宏观层面的有效性;对不同断面的仿真行人与实际过街行人的过街速率变化曲线进行拟合,拟合优度指标显示模型对人行横道前/后半段过街行人模拟精度分别为83% 和95%,验证了模型在微观层面的有效性.      

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

车辆与行人碰撞试验工况中行人保护研究

车辆碰撞行人在城市道路交通事故中较为常见。为完善行人保护相关标准法规,进一步降低交通事故中的行人伤亡率,本文基于160起车辆与行人碰撞事故的形态特征及行人损伤机理的分析,搭建了车辆与行人的碰撞工况场景,并通过某轿车的碰撞试验真实复现了道路交通中车辆与行人的碰撞过程,探究了行人的动力学响应和损伤特性,为进一步完善行人保护相关标准提供重要的参考价值。     

基于交通事故深度调查数据的行人头部损伤特征研究

基于未来出行交通事故场景研究 （Future Mobile Traffic Accident Scenario Study,FASS） 数据库中135例人车碰 撞事故深度调查数据,对造成行人头部损伤的来源及车速对头部损伤来源的影响进行了统计分析。采用Spearman相关系 数检验法,建立了车辆速度区间与头部平均 MAIS 的回归模型。结果表明,行人头部致伤物主要来源于车辆,占比约 58%,其次为地面,占比约40%。行人事故中,碰撞车速对行人头部损伤来源的分布情况有一定的影响,当车速低于30 km/h时,行人头部损伤主要来源为地面,当车速为 ［30,50］ km/h时,车辆和地面对行人头部造成的损伤风险相近,当 车速高于 50 km/h时,行人头部损伤主要致伤物来源为车辆。因此,在进行交通损伤流行病学研究、交通损伤事故数据 库构建时,特别是在中低速碰撞中,应重视地面对头部造成损伤的风险。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

车人碰撞中人地接触损伤仿真及防护方法鲁棒性分析

人车事故中行人主要与车辆和地面接触而遭受损伤。此前已有大量研究在车辆接触阶段对多体行人模型进行了验证,但对地面接触阶段的验证较少。本文中评估了用于预测车辆撞击后行人运动和地面接触的4个PC-Crash行人模型。通过车辆和地面接触的HIC伤害与最近研究中的6个尸体实验数据对比显示,其中PC2014行人模型能很好地预测行人头部损伤,车辆和地面接触HIC的平均误差分别为6.07%和5.85%,数据说明PC2014行人模型可以用于再现人车碰撞事故以及开发未来地面接触伤害防护对策。控制制动防护方法鲁棒性研究显示,在3种行人姿态（奔跑、步行和应急）扰动下,HIC平均降低比例分别为63.2%、57.9%和67.8%,说明控制制动防护方法具有很好的抗行人姿态干扰能力。进一步分析不同姿态下的行人损伤发现,3种步态序列之间均有显著性差异,在应急步态下控制制动防护方法有着更好的抗行人姿态干扰能力;而在奔跑步态序列下,往往可以通过控制制动防护方法产生最低的头地碰撞损伤,表明在使用控制制动防护方法对行人进行保护时须考虑到不同姿态产生的影响,以进一步提高控制制动防护方法的地面伤防护效果。     

基于社会力的自动驾驶汽车行人轨迹预测模型

为了改善自动驾驶领域对行人保护的局限性,研究了人车混行路口行人的行走模式与人车之间的交互行为,提出了一种基于社会力的自动驾驶汽车行人轨迹预测模型,对人车混行路口的行人行走轨迹进行预测。模型整合了判断行人面对来车行走或是停下的行人走、停决策与改进的社会力模型,并考虑了不同年龄、性别行人的个体差异性。通过数据采集与分析,得到行人的个体特征与真实行走轨迹,用逻辑回归的方法,以真实行走轨迹训练行人走、停决策,用极大似然估计法标定了改进的社会力模型中的系数。通过相同场景与初始条件下,模型预测结果与真实轨迹的对比验证了模型的准确性,结果表明:行人走、停决策能够以总体90%的正确率判断行人面对来车行走与否,改进的社会力模型可以计算出行人在周围环境、其他行人和车辆影响下可能的行走轨迹,与真实轨迹之间的平均位移误差AE15 cm,最终位移误差FE25 cm。轨迹预测模型具有一定的准确性,能够在人车混行路口为自动驾驶汽车的决策与路径规划提供依据,从而达到行人保护的目的。     

无人驾驶车辆城市交叉口周边车辆轨迹预测

针对城市交叉口周边车辆长时轨迹预测问题,搭建路基和实车采集平台采集大量轨迹数据,采用高斯混合模型(Gaussian Mixture Model,GMM)识别目标运动模式,采用高斯过程回归(Gaussian Processes Regression,GPR)模型进行城市交叉口周边车辆轨迹长时预测,采用路基数据集对预测模型进行交叉验证。针对实车场景,提出结合无迹卡尔曼滤波的高斯过程算法(GP-UKF),并采用实车数据对该算法进行离线测试。结果表明,GMM可以有效提取车辆运动模式,GPR模型在长时轨迹预测问题上的表现优于基于物理模型的预测算法,并且GP-UKF模型对目标的长时轨迹预测具有更高的精度。     

自动驾驶汽车行为预测综述

为了能够满足自动驾驶汽车在复杂交通场景中安全高效运行,自动驾驶汽车必须做到对周围对象不确定性行为进行准确预测。作为自动驾驶的关键技术,近年来不断有新的轨迹预测思路和算法被提出,尤其是针对复杂交通场景中的对象轨迹预测。通过将复杂交通场景中的预测对象分为:车辆轨迹预测和行人轨迹预测2类,在此基础上对不同预测对象采用近年来的主流预测算法进行分类总结。最后讨论了当前行为预测存在的问题,并提出了一些有价值的研究展望。     

行人-车辆碰撞中六岁儿童下肢损伤分析及预测

为揭示汽车-行人碰撞事故中车辆前端结构和速度对儿童行人下肢损伤的差异成因及损伤机理，本研究应用符合我国体征且具有详细解剖学结构的六岁儿童行人损伤仿生模型（TUST IBMs 6YO-P），设置了32组涵盖4类常见车型和8种碰撞速度的汽车-行人碰撞仿真，分析下肢运动学和生物力学响应，采用非线性回归建立预测模型对下肢损伤进行评估。结果表明，碰撞速度对儿童下肢长骨骨折和膝关节损伤有直接影响，汽车前保险杠高度影响股骨的损伤程度和膝关节弯曲角度，扰流板离地高度影响胫、腓骨损伤的严重程度。分析膝关节弯曲角度和韧带断裂数据，得出当膝关节弯曲角度分别超出25.9±0.9°、38.6±0.7°、43.2±0.2°时，撞击侧内侧副韧带（MCL）、前交叉韧带（ACL）、后交叉韧带（PCL）发生断裂，基于碰撞速度和前保险杠高度建立的膝关节弯曲角度预测模型，经反求验证该模型可以有效预测膝关节损伤。综合儿童行人下肢长骨骨折评价参数和所建立的小腿弯矩预测模型，发现碰撞速度高于17.94 km/h将会造成儿童小腿骨折。该研究为行人安全法规制定、行人保护装置研发、AEB系统设计和数字化测评提供科学的参考依据。     

单车场景下城市交叉口的智能驾驶车辆左转决策研究

在复杂动态的城市道路环境中,不同的交通参与者之间会不可避免地产生时间或空间上的冲突。针对该问题,对智能驾驶车辆在城市交叉口左转时潜在的冲突行为进行分析并建立决策模型。考虑了车辆运动模式并基于高斯过程回归模型(GPR)建立了直行车辆长时轨迹预测模型,结合轨迹预测提出了基于冲突消解的智能驾驶车辆决策流程(模型)和考虑多因素的驾驶动作选择方法。基于Matlab/Simulink&Prescan搭建仿真验证平台,联合真实数据对算法进行验证。结果表明,单车场景下,决策模型能够以90%的成功率引导无人驾驶车辆完成通行任务。     

面向自动驾驶车辆的路段人车冲突判别模型

针对无信号控制路段自动驾驶车辆和行人冲突判别建模,选择武汉市6处无信号控制路段作为调查地点,从而保证足够的车辆及行人数据量,采用视频采集技术获取交通流量以及行人与车辆的行为数据.利用决策树分析方法将决策分为两各层级,分别为行人过街决策和冲突判别,利用二元Logit模型建立面向自动驾驶车辆的路段人车冲突判别模型,对行人和自动驾驶车辆之间可能发生的冲突概率进行计算.建立的模型可以作为自动驾驶技术中的一部分,能够帮助自动驾驶汽车具备人类驾驶员与行人间的通行权沟通能力,使自动驾驶汽车控制系统更加智能且接近人类的判断能力.     

乘用车前端结构几何参数对行人头部动力学响应和损伤风险的影响

通过深入的事故数据分析,研究行人在与不同类型乘用车碰撞中的AIS 3+伤亡风险,采用仿真分析研究乘用车前部结构对行人损伤和致伤因素的影响。以市场上的128款乘用车作为样本,比较了轿车、运动型多功能车和微型厢式车前部结构的主要几何尺寸;基于详尽的行人事故数据,统计分析了各类乘用车-行人事故中的损伤分布和严重性,确定了车辆碰撞速度与行人伤亡风险的关系;利用多体动力学模型,分别在20、40和60km/h的碰撞速度下比较了不同车型的行人头部碰撞条件。结果表明:乘用车前部几何形状对行人头部动力学响应和损伤风险都有显著影响。研究结果可为不同类型乘用车更好地制定行人保护措施提供一定的理论依据。     

自动制动系统行人保护效果的研究EI北大核心CSCD

为研究自动制动系统的参数对事故中行人发生MAIS3+损伤风险和死亡风险的影响,探寻适合中国道路交通情况的参数取值范围,采用逻辑回归分析法构建了长头型车辆碰撞速度与行人MAIS3+损伤风险和死亡风险的回归方程。考虑事故中驾驶员转向避让与来不及转向两种情况,建立了事故前人-车相对位置数学模型,统计分析了探测角度、最大制动减速度、制动提前时间和制动协调时间等自动制动系统参数对降低行人MAIS3+损伤风险和死亡风险的影响,得到了一组最优参数值。研究结果可为我国自动制动系统的设计和改进提供一定的理论依据。     

不确定性对车辆轨迹预测的影响研究综述

通过对国内外车辆行驶面临的不确定性问题进行归纳，重点分析了车辆轨迹预测方法及其不确定性、环境预测不确定性、车辆模型不确定性、环境感知不确定性、驾驶行为不确定性和多车间的交互与博弈对轨迹预测的影响，进一步明确不确定性对车辆轨迹预测的影响机理及控制方法，为解决不确定性导致的车辆轨迹预测误差问题提出合理的解决思路。针对车载传感器的测量误差、轨迹预测模型误差和驾驶员转向稳定性差等问题，指出基于传感器融合、车辆模型运动特性和驾驶员模型的方法将成为未来的主要研究方向。