博士生保罗在T-ITS期刊发表长文

智能车实验室博士生保罗（Rodrigo Gantier）在智能交通领域顶级期刊IEEE Transactions on Intelligent Transportation Systems (简称T-ITS)上发表长文Pedestrian Graph +: A Fast Pedestrian Crossing Prediction Model based on Graph Convolutional Networks，该模型提供实时行人过路预测，同时与其他模型相比轻量级，并且不会损失准确性。

➢  研究背景与意义

无人驾驶和驾驶辅助系统必须考虑到最脆弱的交通参与者，即行人。近年来，预测人行过马路的模型的准确率有所提高。然而，这是以增加计算成本和推理时间为代价的。为了解决这个问题，在本文工作中，分析了预测行人过路处最重要的特征，并优化了基于graph的神经网络。以5毫秒的推理时间和低计算成本实现最先进的结果（该模型可以在 Jetson Nano 中实现）。

➢  本文工作

本工作分析了哪些特性对预测过马路有最大的影响，并且优化了网络模型。我们的神经网络在时间维度上有一个动态输入。这意味着该模型能够处理几乎任何大小的数据。这在首次识别行人时很有用。其他模型通过用零填充输入来解决这个问题。我们的神经模型是多模态的（multimodal）。它能够以有效的方式处理行人骨骼关节坐标、车辆（ego-vehicle）的速度和行人召回的图像（local context） 图1 显示了模型的输入和结构。

图1  本文方法的基本框架图

同样为了提高准确性，实施了一个模块来预测行人骨骼关节的未来位置。我们的另一个贡献是数据增强。由于我们的模型能够处理时间维度上的任何大小的数据，我们随机地对训练数据进行大数据处理。这样增加了我们模型的正确率，并且不会增加推理的计算成本。

➢  实验结果

经过对所有数据的研究，得出的结论是，要拥有高效的模型并同时进行实时推理，贡献最大的特征是：人体二维骨骼关节，骨骼关节预测，车辆速度和数据增强。 其他数据（3D 人体关键点、语义分割图）虽然有助于准确性，但对推理时间有相当大的影响。

pedgraph+_哔哩哔哩_bilibili                                            

(648) Pedestrian Graph + - YouTube