Video Experimental Relacionado
Updated: Sep 10, 2025

Using a Virtual Reality Walking Simulator to Investigate Pedestrian Behavior
Published on: June 9, 2020
Mejorar la percepción inteligente y la optimización de decisiones de escenarios de cruce de peatones en entornos de
Xiao Teng1,2, Lin Huang3, Zhenjiang Shen4,5
1Faculty of Transdisciplinary Sciences, Institute of Philosophy in Interdisciplinary Sciences, Kanazawa University, Kanazawa, 920-1192, Japan.
Este estudio utiliza modelos de lenguaje visual (VLM) para crear un sistema inteligente de cruce de peatones para la conducción autónoma. El sistema mejora la seguridad mediante el procesamiento de datos multimodales para una percepción precisa y la predicción de riesgos.
Área de la Ciencia:
- Inteligencia artificial
- Visión por computadora
- Sistemas de transporte inteligentes
Sus antecedentes:
- Los sistemas de conducción autónoma requieren una percepción y toma de decisiones sólidas para los escenarios de cruce de peatones.
- Los métodos tradicionales luchan con la complejidad de entornos dinámicos y diversos comportamientos peatonales.
- La integración de modelos avanzados de IA es crucial para mejorar la seguridad y la fiabilidad en el transporte inteligente.
Objetivo del estudio:
- Desarrollar un sistema inteligente de escenarios de cruce de peatones utilizando modelos de lenguaje visual (VLM) para la conducción autónoma.
- Mejorar la precisión de la percepción, la predicción de riesgos y la toma de decisiones en entornos de tráfico complejos.
- Establecer un marco estandarizado basado en datos para la interacción de vehículos autónomos con peatones.
Principales métodos:
- Clasificación de los escenarios de paso de peatones basados en las normas internacionales de conducción autónoma.
- Desarrollo de instrucciones estandarizadas para que los VLM generen listas de verificación de escenarios estructurados en formato JSON.
- Procesamiento multimodal de datos y modelado del comportamiento para la predicción del riesgo de colisión y recomendaciones de seguridad.
Principales resultados:
- Logró una precisión de percepción del 93,05%.
- Se han demostrado altos índices de coherencia para la predicción de riesgos (85,91%) y las reglas de toma de decisiones (87,72%).
- Integra con éxito la percepción visual con el razonamiento para una toma de decisiones estructurada y explicable.
Conclusiones:
- El sistema basado en VLM ofrece un marco técnico novedoso para mejorar la percepción, la predicción y la toma de decisiones en la conducción autónoma.
- Este enfoque supera las limitaciones de los métodos tradicionales en el manejo de comportamientos peatonales complejos y entornos dinámicos.
- El sistema proporciona una base para una navegación autónoma más segura y confiable en áreas de gran densidad peatonal.
Más Videos Relacionados
Videos de Conceptos Relacionados
Schemas
Depth Perception and Spatial Vision
Parallel Processing
Collisions in Multiple Dimensions: Problem Solving
A small car of mass 1,200 kg traveling east at 60 km/h collides at an intersection with a truck of mass 3,000 kg traveling due north at 40 km/h. The two vehicles are locked together. What is the...
Decision Making
Automatic decision-making is fast, intuitive, and relies on gut feelings...
Perception
Bottom-up processing begins at the sensory level, where receptors detect external environmental stimuli. These could include the tactile sensation of...

