进入视野

没有什么比人的生命更宝贵的了，当生命危在旦夕时，科学往往会以最先进的解决方案予以回应。电气和计算机工程助理教授Shadi Alawneh博士领导了一项研究，通过向司机或自动驾驶司机提供与行人行为相关的正确信息，来提高技术，将行人死亡人数降至最低。

对州公路安全办公室报告的数据进行的分析显示，即使在2020年与covid -19相关的隔离期间，行人死亡人数也比2019年增加了21%，这是自20世纪70年代中期开始收集此类数据以来的最大年度增幅。考虑到这一点尤其重要，因为未来几年将有更多的自动驾驶汽车出现在街道上，对于配备高级驾驶辅助系统的完全或部分自动驾驶汽车来说，最具挑战性的任务之一是确保行人安全。

到目前为止，开发了许多方法和算法来提供行人检测，考虑到环境背景、服装和体型造成的人体外观的显著变化。然而，当一个人突然决定过马路时，这项技术往往无法防止车辆与行人的碰撞。因此，为了及时发出警报或触发安全突破行动，确定行人是否打算在车辆的路径上过马路是至关重要的。

“对于一辆以30英里/小时(50公里/小时)的城市典型速度行驶的汽车前面的行人，一秒钟的预测可以为自动车辆或驾驶员提供45.2英尺(13.8米)的距离。如果在行人开始过马路之前启动减速动作，这个距离甚至可以更长。Alawneh博士说:“只需两秒钟的先进检测就可以决定是致命结果还是避免碰撞。”他强调了新车辆技术的重要性，这些技术可以正确预测行人的行为。

虽然人类司机可以通过利用不同的线索来检测行人的行为，比如观察路边时的头部运动、腿部运动或身体向街道弯曲，但将这些信号应用到计算机算法中并不总是那么容易。然而，在设计更适合城市环境的辅助和自动驾驶系统的过程中，所有这些标志都是必不可少的部分。

为了应对这一挑战，Alawneh博士和他的学生利用GPU计算研究实验室描述了一种基于视觉的方法，该方法结合了深度学习技术和深度传感，以参考相机视图构建对行人方向的3D理解。

“这种方法的主要概念是构建人体的3D可视化，为身体方向提供明确的线索。为了实现这一目标，我们专注于行人身上与身体方向高度相关的地标——肩膀、脖子和脸，”Alawneh博士解释道。

该系统使用卷积神经网络(CNN)模型来估计肩膀、脖子和鼻子的位置，然后使用立体视觉系统将这些点转换成3D空间。这些信息被用来确定行人过马路的风险水平和相应的行动。为了实现实时性能，应用了图形处理单元(GPU)加速。

在此基础上，研究人员开发了一种检测人体标志的CNN模型，该模型的准确率比以前更高。它还允许增加标记行人的数据集大小，并根据检测行人突然转向道路来识别过马路的意图。

“GPU计算正在广泛应用于现实世界。如果没有GPU计算，我们今天认为理所当然的许多著名科学和工程领域都不会发展得这么快。Alawneh博士的GPU计算研究实验室和他的工作有助于加强SECS研究在未来高性能计算项目中的竞争地位，”SECS研究主任兼电气和计算机工程教授Daniel Aloi博士说。

除了gpu加速行人方向估计工作，Alawneh博士的研究兴趣包括使用深度神经网络构建AI模型用于自动驾驶和gpu加速Gabor变换用于SAR图像压缩。

参观当前研究项目页面参阅有关SECS GPU计算研究实验室工作的更多资料。