PCICF：行人过路识别与分类框架
计算机视觉与模式识别
2026-01-30 v3
摘要
我们最近注意到机器人出租车在多个国家的商业化部署。它们被部署在特定路线和环境条件下的运行设计域（ODD），并持续监控以在安全关键情况下恢复控制。由于 ODD 通常覆盖城市区域，机器人出租车必须可靠地检测易受危险用户（VRUs），如行人、骑自行车者或电滑板车骑手。为更好地处理此类多样化交通情形，端到端 AI 正在崛起，这类系统直接从多模态传感器数据计算车辆控制动作，而不仅仅是进行感知。针对系统在 ODD 中的训练与评估，需要高质量数据。本文我们提出 PCICF，一个系统化识别和分类 VRU 情况的框架，以支持 ODD 的事件分析。我们基于现有的合成数据集 SMIRK 进行工作，并通过将其单行人专用设计扩展为 MoreSMIRK 数据集，构建了一个系统化的多行人过路情况结构化词典。随后，我们使用空间填充曲线（SFCs）将情境的多维特征转换为特征图案，并与 MoreSMIRK 中的相应条目匹配。我们使用包含超过 150 个手动标注的行人过路视频的大型真实数据集 PIE 评估了 PCICF。我们表明，PCICF 能够成功识别和分类复杂的行人过路情况，即使是行人群体的合并或分离情况也能准确处理。通过利用诸如 SFCs 等计算效率高的组件，PCICF 甚至有望被部署在机器人出租车上用于 ODD 检测。我们分享一个包含算法、完整 MoreSMIRK 数据集和词典，以及我们在：https://github.com/Claud1234/PCICF 上呈现的实验结果的开源复制软件包。
引用
@article{arxiv.2509.24386,
title = {PCICF: A Pedestrian Crossing Identification and Classification Framework},
author = {Junyi Gu and Beatriz Cabrero-Daniel and Ali Nouri and Lydia Armini and Christian Berger},
journal= {arXiv preprint arXiv:2509.24386},
year = {2026}
}