ICPR 2024 Competition on Rider Intention Prediction
作者: Shankar Gangisetty, Abdul Wasi, Shyam Nandan Rai, C. V. Jawahar, Sajay Raj, Manish Prajapati, Ayesha Choudhary, Aaryadev Chandra, Dev Chandan, Shireen Chand, Suvaditya Mukherjee
发布时间: 2025-03-12
来源: arxiv
研究方向: 智能交通系统与行为预测
主要内容
本文研究了两轮车骑手意图预测问题，旨在通过预测骑手的潜在操作来增强骑手安全。该研究通过收集和创建一个名为RAAD的数据集，并在其中定义了两个任务：单视图（前视图）骑手意图预测和多视图骑手意图预测。
主要贡献
1. 创建了一个新的RAAD数据集，该数据集专门用于预测两轮车骑手的意图。
2. 在RAAD数据集上评估了各种方法，以解决单视图和多视图骑手意图预测任务。
3. 提供了对RAAD数据集的定量基准结果，并展示了Mamba2状态空间模型在骑手意图预测方面的优越性能。
研究方法
1. RAAD数据集的收集和创建：使用三台相机收集了包含多种交通条件和操作的视频。
2. 标注过程：将骑手的意图分为六种操作类别。
3. 单视图骑手意图预测：使用VGG-16、ResNet-50和R(2+1)D三种类型的嵌入特征。
4. 多视图骑手意图预测：结合了前视图、左后视镜视图和右后视镜视图的嵌入特征。
5. 评估指标：使用分类准确性和F1分数来评估预测性能。
6. 方法比较：包括Mamba2状态空间模型、SVM和CNN-LSTM。
实验结果
Mamba2状态空间模型在所有任务和指标上均优于其他方法，尤其是SVM和CNN-LSTM。CNN-LSTM方法在处理小众类别时表现不佳，表明在处理类别不平衡时需要采取额外措施。多视图RIP任务的表现略低于单视图RIP任务。
未来工作
未来研究方向包括：改进和建立竞赛中提出的RIP方法，以及在RAAD数据集中包含长期骑手意图视频，以减少个体行为风格的影响，并提供更真实和有价值的见解。