用于车道侵入动作识别的相空间重构网络

基于摘要分析。本文研究自动驾驶场景中行人或骑行者的车道侵入动作识别，提出对象级相空间重构网络 PSRNet，将运动时间序列转换为潜在相空间中的状态轨迹，并利用轨迹发散特性进行分类。目标是通过安装在行驶车辆上的单目相机，识别前方 150m 处发生的车道侵入动作。 方法上，作者先采用基于检测的视觉目标跟踪，并进行车道宽度归一化，将视频转为每个对象的一维运动时间序列；随后进行相空间重构，以可学习的类 Lyapunov 指数分类器刻画状态轨迹的平均指数发散差异。其研究对象是道路参与者的运动动力学，不能仅因涉及状态轨迹就将其等同于通用 State Space Models 架构。 作者报告，在真实城市道路采集的 THU-IntrudBehavior 数据集上，PSRNet 的最高 Accuracy 为 98.0%，并称相较已有动作识别方法提升超过 30%；摘要未明确该提升是相对百分比还是百分点，也未提供数据划分及具体基线，因此不能进一步换算或跨协议比较。相空间重构参数、分类器实现、训练细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 中存在与任务相关且可稳定估计的轨迹发散特征，相空间重构与类 Lyapunov 指数分类器或可用于探索非线性时间动态表征。原方法依赖对象级一维运动序列，迁移时需替换视觉跟踪与车道归一化模块，并处理多通道 EEG 的嵌入、归一化和伪迹；低信噪比、非平稳性、跨被试差异及小样本可能使发散估计不稳定。可在固定被试内划分下，比较同一 EEG 时间窗的相空间表征与原序列分类，并控制分类器容量、检验噪声敏感性。已有相关 EEG 工作尚未检索确认。