Cross or Wait? Predicting Pedestrian Interaction Outcomes at Unsignalized Crossings

要約

タイトル：非信号交差点での歩行者と車の相互作用結果の予測：横断歩道を通るか待つか

要約：
– 自動運転分野において、歩行者と車の相互作用における歩行者の行動予測は、最も重要な課題の一つである。
– 歩行者の横断行動は、到着時間、歩行者の待ち時間、横断歩道の有無、歩行者と車両の属性や人格特性などのさまざまな相互作用要因に影響を受けるが、これらの要因は相互作用結果を予測するために完全に探求されていない。
– 本論文では、機械学習を使用して、非信号交差点で車両と相互作用する際の歩行者の横断行動、横断開始時間（CIT）、横断時間（CD）を予測する。
– 分散シミュレーションデータが相互作用要因の予測と分析に利用される。
– ロジスティック回帰のベースラインモデルと比較して、提案されたニューラルネットワークモデルは、予測精度とF1スコアをそれぞれ4.46％と3.23％向上させる。
– また、線形回帰モデルと比較して、CITとCDの平均二乗誤差（RMSE）がそれぞれ21.56％と30.14％低減された。
– さらに、相互作用要因の重要性を分析し、より少ない要因を使用したモデルの結果も提示している。これは、限られた入力機能で異なるシナリオのモデル選択に役立つ情報を提供する。

要約(オリジナル)

Predicting pedestrian behavior when interacting with vehicles is one of the most critical challenges in the field of automated driving. Pedestrian crossing behavior is influenced by various interaction factors, including time to arrival, pedestrian waiting time, the presence of zebra crossing, and the properties and personality traits of both pedestrians and drivers. However, these factors have not been fully explored for use in predicting interaction outcomes. In this paper, we use machine learning to predict pedestrian crossing behavior including pedestrian crossing decision, crossing initiation time (CIT), and crossing duration (CD) when interacting with vehicles at unsignalized crossings. Distributed simulator data are utilized for predicting and analyzing the interaction factors. Compared with the logistic regression baseline model, our proposed neural network model improves the prediction accuracy and F1 score by 4.46% and 3.23%, respectively. Our model also reduces the root mean squared error (RMSE) for CIT and CD by 21.56% and 30.14% compared with the linear regression model. Additionally, we have analyzed the importance of interaction factors, and present the results of models using fewer factors. This provides information for model selection in different scenarios with limited input features.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI