研究人的步態(tài),，了解人體勻稱性,，了解腳的位置，利用這些信息,，美國密歇根大學研究人員就能訓練無人駕駛汽車,，讓它們識別并預測行人的移動,，精準度比現(xiàn)有技術(shù)更高。

　　研究人員用汽車攝像頭,、激光雷達,、GPS收集信息，捕捉人類移動視頻,，然后在3D計算機模型中重建。有了這些資料,，研究人員開發(fā)一個“受生物力學啟發(fā)的遞歸神經(jīng)網(wǎng)絡(luò)”,，給人類動作分類。

　　有了神經(jīng)網(wǎng)絡(luò),，當一個或者幾個行人離汽車還有一段距離（最遠50碼）,，汽車就能預測他們的姿勢和未來位置。這樣的距離已經(jīng)可以覆蓋十字路口了,。

　　密歇根大學機械工程助理教授Ram Vasudevan說：“在這一領(lǐng)域,，此前一般只是關(guān)注靜態(tài)圖像，不會關(guān)心人是如何在3D世界移動的,。當汽車投入使用,，與現(xiàn)實世界交流時，我們必須對行人的前進方向進行預測,，并與汽車的前進方向保持一致,。”

　　如果想讓汽車具備一定的預測能力,，要求網(wǎng)絡(luò)理解人類活動的細節(jié)：比如步態(tài)的節(jié)奏,、四肢對稱鏡像、行走時腳的位置會給穩(wěn)定帶來怎樣的影響,。

　　在無人駕駛研發(fā)中,，目前大多機器學習技術(shù)處理的是2D圖像，也就是靜態(tài)圖片,。向計算機展示大量與停車標志有關(guān)的照片,，最終讓它識別現(xiàn)實世界的停車標志,，實時響應(yīng)。

　　不過密歇根大學用視頻訓練神經(jīng)網(wǎng)絡(luò),，視頻只有幾秒長,，系統(tǒng)深入理解前半段視頻，然后做出預測,，看看預測是否符合后半段視頻,，精準度如何。

　　密歇根大學造船和海洋工程系副教授Matthew Johnson-Roberson說：“現(xiàn)在我們對系統(tǒng)進行訓練,，讓它識別動作,，做出預測，不是簡單識別一樣東西,，比如是不是停車標志,，而是預測下一步行人的身體會變成怎樣，再接下來又怎樣,，然后繼續(xù)預測下一步,。”

　　解釋神經(jīng)網(wǎng)絡(luò)的運作原理時,，Vasudevan打了個比方：“如果行人正在玩手機,，你應(yīng)該知道他的注意力不集中，分散了,。姿勢,，正在觀看什么，這些信息會告訴你他們的注意力等級如何,，還能告訴你接下來他們能做什么,。”

　　事實證明,，新系統(tǒng)可以增強無人駕駛汽車的識別預測能力,。

　　Johnson-Roberson說：“在我們的預測中，如果是一秒之后的預測,，中位平均誤差大約是10厘米,，如果是6秒之后的預測，誤差不到80厘米,。用其它方法預測,，誤差中值最高可達7米，所以用我們的系統(tǒng)預測行人位置,，精準度高很多,。“

　　在預測下一步行動時會涉及到選項,，為了控制選項數(shù)量,，研究人員將人類身體的物理約束考慮進去,，比如人是無法飛翔的，最快的步伐速度也有是限制的,。

　　為了創(chuàng)建數(shù)據(jù)集,，給神經(jīng)網(wǎng)絡(luò)用，研究人員將一輛Level 4無人駕駛汽車放在幾個十字路口,。汽車攝像頭和激光雷達瞄準十字路口,，一次可以記錄多天的數(shù)據(jù)。

　　在實驗室,，研究人員已經(jīng)從傳統(tǒng)姿勢數(shù)據(jù)集收集信息,，用來增強現(xiàn)實世界收集的數(shù)據(jù)。最終他們開發(fā)的系統(tǒng)可以讓無人駕駛汽車變得更強大,。

　　密歇根大學研究工程師杜小?。╔iaoxiao Du）說：“對于多樣化應(yīng)用和跨學科合作，我們保持開放態(tài)度,，我們希望能創(chuàng)造一個更安全,、更健康、更高效的宜居環(huán)境,，或者為此做出貢獻,。”