Cross or Wait? Predicting Pedestrian Interaction Outcomes at Unsignalized Crossings

要約

車両と対話する際の歩行者の行動を予測することは、自動運転の分野における最も重要な課題の 1 つです。
横断歩道の行動は、到着までの時間、歩行者の待ち時間、横断歩道の有無、歩行者とドライバーの両方の特性や性格特性など、さまざまな相互作用要因の影響を受けます。
ただし、これらの要因は、相互作用の結果の予測に使用するために十分に調査されていません。
この論文では、機械学習を使用して、信号のない交差点で車両と対話するときの歩行者の横断決定、横断開始時間 (CIT)、横断継続時間 (CD) を含む歩行者の横断行動を予測します。
分散シミュレータデータは相互作用要因の予測・分析に利用されます。
ロジスティック回帰ベースライン モデルと比較して、私たちが提案したニューラル 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% 改善しました。
また、私たちのモデルは、線形回帰モデルと比較して、CIT と CD の二乗平均平方根誤差 (RMSE) を 21.56% および 30.14% 削減します。
さらに、相互作用因子の重要性を分析し、より少ない因子を使用したモデルの結果を示します。
これにより、入力機能が制限されたさまざまなシナリオでのモデル選択のための情報が提供されます。

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, Google