作为行人和司机,人类通常巧妙地驾驶交通路口。尽管通常在这些交互中发现了不确定性,危险性和通信的非语言特征,但考虑到交互的总数,几乎没有碰撞。随着自动化技术在车辆中的作用越来越大,了解行人和驾驶员行为之间的关系变得越来越重要:行人如何看待车辆/驾驶员的行为以及行人如何做出交叉决定。已经广泛研究了到达时间(TTA)和行人间隙接受之间的关系(即,行人是否选择穿过时间窗口穿过)。然而,在非语言交流的背景下,车辆轨迹的动态性质尚未得到系统的探索。我们的工作提供了证据,证明轨迹动态,例如TTA的变化,可以成为司机和行人之间非语言交流的强大信号。此外,我们在模拟和现实世界的数据集中研究这些影响,这两个数据都比我们以前在文献中最好的知识所考虑的要大。
translated by 谷歌翻译
给定两个候选模型和一组目标观测值,我们解决了测量两个模型的相对拟合优度的问题。我们提出了两个新的统计测试,它们是非参数的,计算效率高(运行时复杂度在样本大小上是线性的),并且是可解释的。作为一个独特的优势,我们的测试可以产生一组示例(信息特征),指示数据域中一个模型比另一个模型显着更好的区域。在比较GAN模型的现实问题中,我们新测试的测试能力与最先进的相对拟合度相匹配,而速度提高了一个数量级。
translated by 谷歌翻译