近日，密歇根大學的研究人員通過研究人類的步態、身體對稱性和腳的位置，試圖教會自動駕駛汽車識別和預測行人的移動，其精確度要高於目前已有的技術。
車輛通過攝像頭、激光雷達和全球定位系統收集的數據使研究人員能夠捕捉到行人移動的視頻片段，然後在計算機模擬中進行三維再現。在此基礎上，他們創造了一個“生物力學啓發下的循環神經網絡”，用來記錄人類的運動。
有了它，自動駕駛系統可以在距離車輛大約50碼的位置，預測一個或幾個行人的姿勢和之後要移動到的位置。
雖然這類研究在行業中早已有人做過，但是之前的研究通常只關注靜態圖像，而並不關心人們如何在三維空間中移動，密歇根大學機械工程助理教授Ram Vasudevan說：“如果這些無人車要在現實世界中運行和互動，我們需要確保對行人走向的預測與車輛下一步走向的預測不一致。”
爲車輛配備必要的預測能力要求網絡深入研究行人運動的細節，比如：步態的節奏(週期性)、四肢的鏡像對稱性，以及走路時腳的位置對穩定性的影響。
許多用於將自動技術提升到目前水平的機器學習都是處理二維圖像，即靜態照片。一臺電腦顯示了數百萬張停車標誌的照片，最終將教會系統在現實世界和實時中識別停車標誌。
但是通過利用幾秒鐘的視頻片段，密歇根大學的U-M系統就可以通過片段的前半部分來做出預測，然後用後半部分來驗證準確性。
爲了解釋神經網絡可以做出的推斷，助理教授Ram Vasudevan描述了一種常見的景象。Vasudevan說：“如果行人在玩手機，他們的姿勢和所看的地方可以告訴你很多關於注意力的信息，這些信息也會告訴你他們下一步會做什麼。”
結果表明，這種新系統提高了無人駕駛汽車識別未來最有可能發生情況的能力。
“我們預測的中，位平移誤差在1秒後約爲10釐米，6秒後小於80釐米。所有其他的同類比較方法的誤差都在7米之外。”研究員Johnson-Roberson說：“我們更擅長搞清楚一個人下一步會去哪裏。”
爲了控制預測下一個動作的選項的數量，研究人員應用了人體的物理約束條件：行人不能飛或者步行可能達到的最快速度。
爲了創建用於訓練U-M神經網絡的數據集，研究人員將一輛具有4級自主功能的汽車停在了幾個十字路口。由於車輛的攝像頭和激光雷達正對着十字路口，系統可以一次記錄多天的數據。
研究人員從實驗室採集的傳統姿勢數據集中，對現實世界裏“野外”的數據進行了支持。其結果是，該系統將提高自動駕駛汽車的能力。
密歇根大學研究工程師杜曉曉(音譯)表示：“我們對各種應用持開放態度，並提供令人興奮的跨學科合作機會，我們希望創造並貢獻一個更安全、更健康、更高效的生活環境。”
參考鏈接：
https://news.umich.edu/teaching-self-driving-cars-to-predict-pedestrian-movement/