Pedestrian Crossing Intention Prediction via Semantic Motion Representation and Cognitive Interaction Modeling
Dit artikel stelt PsyMIND voor, een interpreteerbaar framework voor de vroege voorspelling van de intentie van voetgangers om over te steken, dat psychologisch geïnspireerde semantische bewegingsrepresentaties, contextuele aanwijzingen en cognitieve interactiemodellering integreert om de veiligheid en betrouwbaarheid van beslissingen bij autonoom rijden te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke dag nemen miljoenen mensen een stap richting de stoeprand, waarbij ze een beslissing van een fractie van een seconde moeten wegen: is het veilig om over te steken, of moet ik wachten? Voor een mens vindt deze berekening bijna onmiddellijk plaats, door een samensmelting van het zien van een naderende auto, de kleur van een verkeerslicht en een intern gevoel van geduld of urgentie. Voor de zelfrijdende auto's van de toekomst is het repliceren van dit menselijke oordeel een van de moeilijkste uitdagingen in de techniek. Deze voertuigen moeten niet alleen een voetganger zien, maar ook het onzichtbare mentale proces begrijpen dat leidt tot een stap voorwaarts. Als een auto pas kan reageren nadat iemand al in beweging is gekomen, kan het te laat zijn om een aanrijding te voorkomen. Het doel is om de intentie om over te steken te voorspellen nog voordat de voet de grond verlaat, waardoor een reactieve machine verandert in een proactieve partner in het verkeer.
Om dit op te lossen, hebben onderzoekers computers traditioneel geleerd om te kijken naar hoe mensen bewegen. Ze volgen het pad dat een persoon loopt of de hoeken van hun gewrichten, op zoek naar patronnnen die een oversteek signaleren. Echter, een nieuwe studie suggereert dat het observeren van de geometrie van het lichaam niet genoeg is. Het team achter dit werk, geleid door onderzoekers van de Shijiazhuang Tiedao University en anderen, betoogt dat de beslissing van een voetganger niet alleen een fysieke beweging is, maar een psychologische. Zij stellen voor dat om echt te begrijpen of iemand zal oversteken, een computer de kwaliteit van de beweging en de context van de beslissing moet begrijpen, net zoals een menselijke waarnemer dat doet.
De onderzoekers ontwikkelden een systeem dat ze PsyMIND noemen, wat staat voor Psychology-informed Semantic Motion and Cognitive Interaction Decision. In plaats van simpelweg te meten hoe ver een been beweegt of hoe snel iemand loopt, breekt het systeem de menselijke beweging af in vier verschillende categorieën van ervaring: de vorm van het lichaam, de inspanning achter de beweging, de ruimte die de persoon inneemt en de configuratie van het lichaam. Deze aanpak is gebaseerd op een methode genaamd Laban Movement Analysis, een raamwerk dat oorspronkelijk werd ontwikkeld om menselijke dans en expressie te bestuderen, dat het team heeft aangepast voor verkeersveiligheid. Door dit raamwerk toe te passen, kan het systeem subtiele aanwijzingen detecteren die een standaardcamera zou kunnen missen, zoals een lichte voorwaartse buiging van de romp die suggereert dat iemand zijn gewicht verplaatst om van de stoep af te stappen, of een aarzeling in de beweging die duidt op angst of onzekerheid.
Maar het systeem stopt niet bij het lichaam. Het kijkt ook naar de wereld rondom de voetganger. Het houdt rekening met de verkeerssignalen, de snelheid van nabijgelegen auto's en zelfs de eigen attributen van de voetganger, zoals leeftijd of geslacht, die de risicotolerantie kunnen beïnvloeden. De onderzoekers bouwden een model dat de interne afweging simuleert die elke voetganger maakt: de wens om snel over te steken versus de noodzaak om veilig te blijven. Het systeem stelt zichzelf vragen als: "Wacht deze persoon te lang en wordt hij ongeduldig?" of "Negeert hij een rood licht omdat hij een gat in het verkeer ziet?" Door de psychologische betekenis van de lichaamsbeweging te combineren met de druk van de verkeersomgeving, construeert het model een compleet beeld van de intentie van de voetganger.
Toen het team deze aanpak testte met behulp van een grote collectie video's uit de echte wereld, waren de resultaten opmerkelijk. Het systeem voorspelde correct of een voetganger zou oversteken met een nauwkeurigheid van 76 procent. Belangrijker nog, het behaalde een recall-percentage van 93 procent, wat betekent dat het bijna alle mensen die op het punt stonden over te steken succesvol identificeerde, zelfs wanneer zij nog geen stap hadden gezet. In de hoogwaardige wereld van autonoom rijden is het missen van een potentiële oversteek veel gevaarlijker dan het onterecht aannemen dat er een plaatsvindt, dus deze hoge detectiegraad is een belangrijke prestatie. Het systeem bleek ook effectief in het voorspellen van intenties tot anderhalve seconde voordat de werkelijke beweging begon, een kritiek venster dat een voertuig de tijd geeft om veilig af te remmen.
De studie onthulde ook dat eerdere methoden, die sterk vertrouwden op eenvoudige geometrische metingen of enkel het pad dat een persoon liep, minder effectief waren in deze vroege stadia. Door verder te gaan dan eenvoudige metingen om de betekenis van een beweging en de logica van een beslissing te begrijpen, lieten de onderzoekers zien dat machines kunnen worden geleerd de wereld te zien zoals mensen dat doen. Dit betekent niet dat de computer angst of ongeduld voelt, maar het kan de fysieke tekenen van die gevoelens herkennen. De bevindingen suggereren dat voor zelfrijdende auto's om veilig te kunnen opereren in complexe steden, ze voorbij de zichtbare beweging moeten kijken en de onzichtbare besluitvorming moeten begrijpen die deze aandrijft. Deze verschuiving van kijken naar wat mensen doen naar het begrijpen van waarom ze het doen, biedt een helderder, betrouwbaarder pad naar veiligere wegen voor iedereen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.