基于风险排序的行人对齐优先级中的优先级闪烁：ETH/UCY基准上的基线时间稳定性评估

《Future Transportation》：Priority Flicker in Risk-Based Pedestrian Prioritization: A Baseline Temporal Stability Assessment on the ETH/UCY Benchmark

　　

基于风险的优先级框架（如智能行人模型（Intelligent Pedestrian Model，IPM））按瞬时、参考归一化风险分数对行人排序，用以指示哪位行人应被首先关注。研究人员考察此类排序的时间稳定性：在三个ETH/UCY基准场景中逐帧计算仅观测运动学暴露（Exposure）代理量。最高优先级身份变化很快，top?1持续中位数为两帧（0.8?s）。研究人员提出切换分类，区分既有切换、进入驱动切换与强制切换；宽限期排除作为敏感性变体，在短轨迹场景中可剔除最多82%可评估时间。既有闪烁率从密集场景每2.7?s一次到稀疏场景每25.4?s一次，且既有切换集中在竞争行人分数差较小时。结果表明，仅靠瞬时排序可能不足以支撑持续注意力分配，并为时序优先级管理研究提供依据。

《Future Transportation》刊载的该文研究背景为：全球约23%道路交通死亡涉及行人，先进驾驶辅助系统（Advanced Driver Assistance Systems，ADAS）与自动驾驶车受注意力、计算与干预能力限制，不能等同对待所有行人。基于风险排序的框架如智能行人模型（Intelligent Pedestrian Model，IPM）解决“谁先被关注”问题，但既有文献多关注轨迹预测位移误差、逐帧检测精度与多目标跟踪身份保持，未显式度量优先级排序随时间的一致性。身份保持（identity persistence）不等于优先级保持（priority persistence）；决策振荡（decision oscillation）虽在自动驾驶中被认识，但行人优先级排序的时间稳定性存在测量空白。因此研究人员提出：瞬时风险排序是否时间不稳定，以及如何可复现度量。

研究人员以IPM风格、仅观测运动学暴露（Exposure）代理量为固定确定性排序信号，在ETH?Hotel、ETH、UCY?Univ三场景用基准真值身份排除跟踪误差，定义top?1优先级身份、切换分类与稳定性指标，得出优先级闪烁（priority flicker）可量化、既非跟踪问题也非单纯逐帧不准确问题，而是瞬时排序用于持续注意力时的时序局限。意义在于为IPM研究计划补上“时间维”，从“现在谁重要”推进到“优先级如何跨帧维持”，并为迟滞（hysteresis）、最小保持时间等时序优先级管理（temporal priority management）提供基线参考。

关键技术方法上，研究人员采用ETH/UCY公开基准轨迹标注作为样本来源，以8帧滑动窗口（跨度2.8?s、Δt=0.4?s）计算速度幅值、加速度幅值与方向变化的第90百分位，按r(X)=0.7·s_p90+0.7·a_p90+0.6·θ_p90得标量代理量；以至少3名可排行人作为共在门槛，比较相邻评估帧top?1身份；用3.2?s建立阈值划分既有（established）、进入（entry）、强制（forced）切换；并以切换率、优先级驻留时间（Priority Dwell Time）、top?1与top?2风险差作指标；另设宽限期变体与窗口/百分位敏感性网格。

研究结果如下。基线时间稳定性（Baseline Temporal Stability）：在共在≥3场景下，top?1驻留中位数均为两标注步即0.8?s，说明最高优先级通常只连住两帧。密度依赖与切换类别作用（Density Dependence and the Role of the Switch Classes）：UCY?Univ密集场中既有切换占主导（80/154，每2.7?s一次），ETH稀疏场94%闪烁由进入驱动（既有可能每25.4?s一次），ETH?Hotel居中；平均共在相同（4.2）的ETH两场因轨迹长度结构不同，既有率差超四倍，说明轨迹长度也影响闪烁。领导权变更中的风险差（Risk Gaps in Leadership Changes）：既有切换发生在较小分数差处；瞬时top?1–top?2差中位数0.116–0.161原始单位，全帧群体为0.219–0.397；入局与出局领导直接差中位数0.150–0.207，说明近平局是既有闪烁典型工况。宽限期敏感性（Grace?Period Variant）：额外排除新可排行人3.2?s后，ETH可评估时间由178?s降至32?s（损82%），UCY?Univ几乎不变；生存闪烁率与主分析既有率相近，驻留仍0.8?s，证明分类比宽限期更适合短轨迹场。窗口长度与百分位敏感性（Sensitivity to Window Length and Percentile）：W∈{6,8,10}、p∈{75,90,95}下，27种组合中25种驻留中位数0.8?s，场景序UCY?Univ>ETH?Hotel>ETH不变；长窗口仅缓和未消除闪烁，说明时间平滑是弱稳定器。

讨论部分中，研究人员指出：瞬时优先级可在亚秒级翻转，但是否需稳定化取决于下游应用；既有/进入/强制分类可移植到其他智能体风险排序系统；近平局特征给出稳定化参数设计尺度——0.8?s可作最小保持时间参考，场景第90百分位切换差0.34–0.78原始单位可作迟滞边际参考。威胁效度上，构造效度限于排序动态而非碰撞真值；内部效度因用真值身份隔离跟踪误差，但未涵盖部署端感知噪声；内部效度还受0.4?s采样量化限制；外部效度上现象定性不依赖特定暴露公式；人群属性因标注缺失无法分层。

结论部分翻译：本研究询问基于风险的瞬时行人在先排序是否时间稳定，以及怎样可复现度量。结果显示所评估设定中存在优先级闪烁，可度量，且无法仅从孤立逐帧排序观察。切换分类区分既有智能体间领导权变更与进入驱动、强制变更；宽限期变体在短轨迹场剔除大量可评估时间。对IPM研究计划，结论揭示瞬时行人优先级的时间局限：初代IPM决定“现在谁受关注”，瞬时公式不处理“优先级如何随时间维持”，本方法为时序优先级管理奠基。定量上，跨场top?1驻留中位数0.8?s，既有切换率0.039–0.375?/s（两极端场95%块自助置信区间0.011–0.068与0.291–0.460），第90百分位切换差0.34–0.78原始单位；密集UCY?Univ以既有闪烁为主，稀疏ETH两场以进入闪烁更显。既有/进入/强制分类不绑定特定暴露代理，可原则上用于其他每智能体风险排序系统以区分组成效应与既有智能体间变更。