研究人的步態，了解人體勻稱性，了解腳的位置，利用這些信息，美國密歇根大學研究人員就能訓練無人駕駛汽車，讓它們識別并預測行人的移動，精準度比現有技術更高。

　　研究人員用汽車攝像頭、激光雷達、GPS收集信息，捕捉人類移動視頻，然后在3D計算機模型中重建。有了這些資料，研究人員開發一個“受生物力學啟發的遞歸神經網絡”，給人類動作分類。

　　有了神經網絡，當一個或者幾個行人離汽車還有一段距離（最遠50碼），汽車就能預測他們的姿勢和未來位置。這樣的距離已經可以覆蓋十字路口了。

　　密歇根大學機械工程助理教授Ram Vasudevan說：“在這一領域，此前一般只是關注靜態圖像，不會關心人是如何在3D世界移動的。當汽車投入使用，與現實世界交流時，我們必須對行人的前進方向進行預測，并與汽車的前進方向保持一致。”

　　如果想讓汽車具備一定的預測能力，要求網絡理解人類活動的細節：比如步態的節奏、四肢對稱鏡像、行走時腳的位置會給穩定帶來怎樣的影響。

　　在無人駕駛研發中，目前大多機器學習技術處理的是2D圖像，也就是靜態圖片。向計算機展示大量與停車標志有關的照片，最終讓它識別現實世界的停車標志，實時響應。

　　不過密歇根大學用視頻訓練神經網絡，視頻只有幾秒長，系統深入理解前半段視頻，然后做出預測，看看預測是否符合后半段視頻，精準度如何。

　　密歇根大學造船和海洋工程系副教授Matthew Johnson-Roberson說：“現在我們對系統進行訓練，讓它識別動作，做出預測，不是簡單識別一樣東西，比如是不是停車標志，而是預測下一步行人的身體會變成怎樣，再接下來又怎樣，然后繼續預測下一步。”

　　解釋神經網絡的運作原理時，Vasudevan打了個比方：“如果行人正在玩手機，你應該知道他的注意力不集中，分散了。姿勢，正在觀看什么，這些信息會告訴你他們的注意力等級如何，還能告訴你接下來他們能做什么。”

　　事實證明，新系統可以增強無人駕駛汽車的識別預測能力。

　　Johnson-Roberson說：“在我們的預測中，如果是一秒之后的預測，中位平均誤差大約是10厘米，如果是6秒之后的預測，誤差不到80厘米。用其它方法預測，誤差中值最高可達7米，所以用我們的系統預測行人位置，精準度高很多。“

　　在預測下一步行動時會涉及到選項，為了控制選項數量，研究人員將人類身體的物理約束考慮進去，比如人是無法飛翔的，最快的步伐速度也有是限制的。

　　為了創建數據集，給神經網絡用，研究人員將一輛Level 4無人駕駛汽車放在幾個十字路口。汽車攝像頭和激光雷達瞄準十字路口，一次可以記錄多天的數據。

　　在實驗室，研究人員已經從傳統姿勢數據集收集信息，用來增強現實世界收集的數據。最終他們開發的系統可以讓無人駕駛汽車變得更強大。

　　密歇根大學研究工程師杜小小（Xiaoxiao Du）說：“對于多樣化應用和跨學科合作，我們保持開放態度，我們希望能創造一個更安全、更健康、更高效的宜居環境，或者為此做出貢獻。”