用于车道侵入行为识别的相空间重构网络

基于摘要分析。该研究面向自动驾驶中的行人及骑行者车道侵入行为识别，提出对象级相空间重构网络 PSRNet，将运动时间序列映射为潜在相空间中的状态轨迹，并通过可学习的类 Lyapunov 指数分类器进行判别。其应用目标是利用安装在移动车辆上的单目相机识别前方 150m 处发生的车道侵入行为，而非 EEG 或 BCI 解码。 方法首先利用基于检测的视觉对象跟踪与车道宽度归一化，将视频转换为每个对象的一维运动时间序列；随后将对象运动视为可观测动态过程，在潜在相空间中重构状态向量轨迹。分类器借助轨迹平均指数发散特征区分行为。摘要未给出相空间重构参数、具体网络结构、损失函数及训练细节，类 Lyapunov 指标与严格动力系统量之间的关系也需查阅正文确认。 作者报告，在真实城市道路采集的 THU-IntrudBehavior 数据集上，PSRNet 的最佳 Accuracy 达到 98.0%，并称较现有动作识别方法提高超过 30%；摘要未说明该提升是相对百分比还是百分点，也未提供数据划分、基线配置及统计信息，因此不能进一步解读比较幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究考察的是“动态序列—相空间轨迹—发散特征判别”这一机制，而非视觉跟踪模块。假设 EEG 任务中的类别差异包含稳定的动力学特征，则可尝试复用轨迹表征与分类思路，但需改造多通道输入、尺度归一化及相空间重构方式；原方法所需监督与数据规模尚未验证。EEG 的低信噪比、跨被试非平稳性、通道差异及小样本可能使轨迹发散主要反映噪声。一个可证伪的小实验是在固定 EEG 数据划分和分类训练条件下，对照相空间表征与原始时序表征，并加入噪声扰动检验收益是否稳定。相关 EEG 工作尚未检索确认。