Traffic-Aware Pedestrian Intention Prediction

कल्पना कीजिए कि आप अंदाज़ा लगाने की कोशिश कर रहे हैं कि आपका एक दोस्त आगे क्या करने वाला है। क्या वे हाथ हिलाकर नमस्ते करने वाले हैं, या वे किसी व्यस्त सड़क पर दौड़ने वाले हैं? एक अच्छा अनुमान लगाने के लिए, आप केवल अपने दोस्त के पैरों को नहीं देखते; आप पूरी तस्वीर देखते हैं। आप देखते हैं कि ट्रैफिक लाइट लाल है या हरी, आप देखते हैं कि वे फुटपाथ से कितनी दूर हैं, और आप देखते हैं कि क्या कोई कार उनकी ओर तेज़ी से आ रही है। यह "पैडेस्ट्रियन इंटेंशन प्रेडिक्शन" (पैदल यात्री के इरादे की भविष्यवाणी) नामक एक क्षेत्र का मूल है। यह विज्ञान की एक ऐसी शाखा है जो कंप्यूटरों को, विशेष रूप से सेल्फ-ड्राइविंग कारों को, मानव व्यवहार को समझने के लिए समर्पित है। लक्ष्य सरल लेकिन जीवन रक्षक है: यदि एक कार यह अनुमान लगा सके कि कोई व्यक्ति सड़क पार करने का इरादा रखता है, तो वह दुर्घटना होने से पहले धीमा हो सकती है या रुक सकती है। वर्षों से, कंप्यूटर लोगों को चलते हुए देखकर यह सीखने की कोशिश कर रहे हैं, लेकिन वे सबसे महत्वपूर्ण सुरागों को मिस कर देते थे: ट्रैफिक सिग्नल और एक वास्तविक शहर की सड़क का जटिल, गतिशील संदर्भ।

यह शोध पत्र इन सुरागों को पढ़ने का एक नया, स्मार्ट तरीका पेश करता है। शोधकर्ताओं, फहीमेह ओरवाटी निया और हाई लिन ने एक मॉडल बनाया जिसे वे TA-STGCN (ट्रैफिक-अवेयर स्पैटियो-टेम्पोरल ग्राफ कन्वोल्यूशनल नेटवर्क) कहते हैं। इस मॉडल को एक अत्यंत चौकस जासूस के रूप में समझें जो न केवल एक व्यक्ति को देखता है; बल्कि वह व्यक्ति और ट्रैफिक लाइट और कारों को भी एक साथ देखता है, और यह समझता है कि वे समय के साथ एक-दूसरे से कैसे संवाद करते हैं।

समस्या: कंप्यूटरों का बड़ी तस्वीर को मिस करना

लंबे समय तक, पैदल यात्रियों के व्यवहार की भविष्यवाणी करने वाले कंप्यूटर उस छात्र की तरह थे जिसने केवल पाठ्यपुस्तक का अध्ययन किया लेकिन कभी बाहर नहीं गया। शुरुआती तरीकों ने एक व्यक्ति कहाँ था और वह कितनी तेज़ी से चल रहा था, इसे ट्रैक करने के लिए सरल गणित पर भरोसा किया। बाद में, डीप लर्निंग मॉडल (जैसे CNN और LSTM) वीडियो में पैटर्न पहचानने में बेहतर हो गए, लेकिन वे अक्सर "दृश्य" (सीन) को अनदेखा कर देते थे। वे देख सकते थे कि एक व्यक्ति सड़क की ओर बढ़ रहा है, लेकिन वे आवश्यक रूप से यह ध्यान नहीं दे पाते थे कि ट्रैफिक लाइट वर्तमान में लाल है, या वह व्यक्ति क्रॉसवॉक के ठीक बगल में खड़ा है।

लेखकों का तर्क है कि यह एक बड़ी गलती है। वास्तविक दुनिया में, पैदल यात्री का सड़क पार करने का निर्णय उनके वातावरण से गहराई से प्रभावित होता है। यदि कारों के लिए लाइट हरी है, तो एक पैदल यात्री आमतौर पर प्रतीक्षा करता है। यदि कारों के लिए लाइट लाल हो जाती है (और उनके लिए हरी), तो वे बाहर निकल सकते हैं। मौजूदा मॉडल अक्सर इन गतिशील संकेतों को मिस कर देते थे, जिससे अनुमान बहुत धीमे या पूरी तरह से गलत होते थे।

समाधान: एक ट्रैफिक लाइट मैप वाला जासूस

टीम का समाधान, TA-STGCN, इसे एक विशाल, जीवित पहेली की तरह मानकर ठीक करने के लिए डिज़ाइन किया गया है जहाँ हर टुकड़ा एक दूसरे से जुड़ा हुआ है। वे एक "स्पैटियो-टेम्पोरल ग्राफ" का उपयोग करते हैं, जो एक फैंसी तरीका है यह कहने का कि वे पैदल यात्री को उनके आस-पास की हर चीज़ से जोड़ने वाली अदृश्य रेखाएं खींचते हैं: ट्रैफिक लाइट, कारें और क्रॉसवॉक।

यहाँ बताया गया है कि यह मॉडल कैसे काम करता है, जिसे सरल भागों में विभाजित किया गया है:

1. सूचना के दो स्ट्रीम: मॉडल दृश्य को एक ही समय में दो अलग-अलग तरीकों से देखता है।

   • "कहाँ" (Where) स्ट्रीम: यह पैदल यात्री के सटीक स्थान और उनके "बॉक्स" (उनके चारों ओर का डिजिटल घेरा) के आकार में होने वाले बदलाव को ट्रैक करता है। यदि बॉक्स बड़ा होता है, तो इसका मतलब है कि व्यक्ति कार के करीब आ रहा है।
   • "क्या" (What) स्ट्रीम: यह देखता है कि वस्तुएं क्या हैं और उनकी स्थिति क्या है। महत्वपूर्ण रूप से, इसमें ट्रैफिक लाइट की स्थिति (लाल, पीला या हरा) भी शामिल है।

2. ग्राफ कनेक्शन: कल्पना कीजिए कि एक मकड़ी का जाल पैदल यात्री को ट्रैफिक लाइट से जोड़ रहा है। मॉडल एक विशेष प्रकार के गणित (ग्राफ कन्वोल्यूशनल नेटवर्क) का उपयोग करता है ताकि ये कनेक्शन एक-दूसरे से "बात" कर सकें। यह सीखता है कि कारों के लिए "हरी लाइट" का अर्थ आमतौर पर "प्रतीक्षा करें" होता है, जबकि कारों के लिए "लाल लाइट" का अर्थ "जाएं" हो सकता है।

3. टाइम मशीन: मॉडल केवल एक स्नैपशॉट नहीं देखता; यह एक छोटा वीडियो क्लिप (15 फ्रेम, या 0.5 सेकंड) देखता है। यह एक मेमोरी यूनिट का उपयोग करता है जिसे LSTM (लॉन्ग शॉर्ट-टर्म मेमोरी) कहा जाता है ताकि यह याद रख सके कि एक पल पहले क्या हुआ था। यह समझने में मदद करता है कि क्या कोई व्यक्ति हिचकिचा रहा है या क्या वह पहले से ही फुटपाथ से नीचे कदम रख रहा है।

उन्होंने क्या पाया: स्मार्ट अनुमान

शोधकर्ताओं ने अपने नए जासूस का परीक्षण पुराने मॉडलों के विरुद्ध PIE नामक एक डेटासेट का उपयोग करके किया, जिसमें एक शहर के 6 घंटे से अधिक के वास्तविक ड्राइविंग वीडियो शामिल हैं। उन्होंने मॉडलों से यह अनुमान लगाने के लिए कहा कि क्या कोई पैदल यात्री अगले कुछ सेकंड में सड़क पार करेगा।

परिणाम स्पष्ट थे: नया मॉडल बेहतर अनुमान लगाने में सक्षम था।

• सटीकता (Accuracy): TA-STGCN मॉडल 84.65% बार सही उत्तर देता है। यह पिछले सर्वश्रेष्ठ मॉडलों की तुलना में एक महत्वपूर्ण उछाल है, जो लगभग 79.00% के आसपास थे।
• परिशुद्धता और रिकॉल (Precision and Recall): मॉडल उन लोगों को पहचानने में बेहतर था जो वास्तव में सड़क पार करने का इरादा रखते थे (रिकॉल 88.03%) और उन लोगों के बारे में "गलत अलार्म" बजाने में कम था जो बस स्थिर खड़े थे (परिशुद्धता 86.50%)।
• ट्रैजेक्टरी (Trajectory): न केवल इसने अनुमान लगाया कि व्यक्ति क्या पार करेगा, बल्कि इसने यह भी अनुमान लगाया कि वह एक क्षण बाद कहाँ होगा, और पिछले मॉडलों की तुलना में इसमें त्रुटि कम थी (एक औसत विस्थापन त्रुटि यानी Average Displacement Error 0.43)।

लेखकों ने स्पष्ट रूप से दिखाया कि ट्रैफिक लाइट की जानकारी जोड़ना ही मुख्य कुंजी थी। जब उन्होंने अपने मॉडल की तुलना बिना ट्रैफिक लाइट डेटा वाले संस्करण से की, तो लाइटों के साथ वाला संस्करण हर एक मीट्रिक में बेहतर प्रदर्शन करता है। यह साबित करता है कि मॉडल केवल अनुमान नहीं लगा रहा है; यह वास्तव में स्मार्ट निर्णय लेने के लिए ट्रैफिक संकेतों का उपयोग कर रहा है।

कमी: यह अभी भी एक कार्य प्रगति पर है

हालांकि परिणाम आशाजनक हैं, लेकिन शोध पत्र सावधानी बरतते हुए यह दावा नहीं करता कि यह एक पूर्ण, तैयार उत्पाद है जो आज हर सड़क पर चलने वाली कार के लिए उपलब्ध है। लेखक कुछ महत्वपूर्ण सीमाओं की ओर इशारा करते हैं:

• "आंख" की समस्या: वर्तमान में, मॉडल पूर्ण, पूर्व-लेबल वाले डेटा पर निर्भर करता है। यह मानता है कि किसी ने पहले से ही पैदल यात्रियों के चारों ओर बॉक्स बना दिए हैं और ट्रैफिक लाइटों की पहचान कर ली है। वास्तविक दुनिया में, एक सेल्फ-ड्राइविंग कार को अपने स्वयं के कैमरों और सेंसरों का उपयोग करके इन चीजों को खुद खोजना होता है। यदि कार की "आंखें" गलती करती हैं, तो TA-STGCN मॉडल भ्रमित हो सकता है।
• गति: मॉडल स्मार्ट है, लेकिन यह थोड़ा भारी भी है। यह ग्राफ में सभी बिंदुओं को जोड़ने के लिए बहुत सारी गणितीय गणना करता है। कार के अंदर एक छोटे कंप्यूटर (एम्बेडेड सिस्टम) पर इसे चलाना धीमा हो सकता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में मॉडल को तेज़ और हल्का बनाने की आवश्यकता है ताकि यह बिना लैग के रियल-टाइम में चल सके।
• मिसिंग सिनेरियो: उनके द्वारा उपयोग किए गए डेटा में हर संभव स्थिति शामिल नहीं थी, जैसे व्यस्त बस स्टॉप या साझा स्थान जहाँ लोग अलग तरह से व्यवहार करते हैं। उन कठिन स्थानों को संभालने के लिए मॉडल को अधिक प्रशिक्षण की आवश्यकता हो सकती है।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि यदि हम चाहते हैं कि सेल्फ-ड्राइविंग कारें वास्तव में सुरक्षित हों, तो उन्हें पैदल यात्रियों को अलग-थलग होकर देखना बंद करना होगा। उन्हें पूरे मंच को समझना होगा: ट्रैफिक लाइट, क्रॉसवॉक और शहर का प्रवाह। कंप्यूटर को ट्रैफिक संकेतों पर ध्यान देने के लिए सिखाकर, TA-STGCN मॉडल पिछले सर्वश्रेष्ठ तरीकों की तुलना में सटीकता में 4.75% का सुधार दिखाता है। यह स्वायत्त वाहनों को न केवल स्मार्ट, बल्कि संदर्भ-जागरूक (context-aware) बनाने की दिशा में एक कदम है, जिससे उन्हें सही निर्णय लेने में मदद मिलती है जब कोई पैदल यात्री सड़क पार करने का निर्णय ले रहा होता है।