Identifying factors that contribute to collision avoidance behaviours while walking in a natural environment
Notice bibliographique
Résumé
ABSTRACT Busy walking paths, like in a park, a sidewalk in a city centre, or a shopping mall, frequently necessitate collision avoidance behaviour. Lab-based research has shown how a variety of situation-specific factors (e.g., distraction, object/pedestrian proximity) and person-specific factors (e.g., pedestrian size, age), typically studied independently, affect avoidance behaviour. What happens in the real world is unclear. Thus, we filmed unscripted pedestrian walking behaviours on a busy ∼3.5 m urban path adjacent to the water. We leveraged deep learning algorithms to identify and extract walking trajectories of pedestrians and had unbiased raters characterize interaction details. Here we analyzed over 500 situations where two pedestrians approached each other from opposite ends (i.e., one-on-one pedestrian interactions). We found that smaller medial-lateral distance between approaching pedestrians and a lower number of surrounding pedestrians (i.e., smaller crowd size) predicted an increase in the likelihood of a subsequent path deviation. Furthermore, we found that whether a pedestrian looked distracted or held, pushed, or pulled something while walking predicted the medial-lateral distance between pedestrians at the time of crossing. Although pedestrians maintained a larger personal space boundary compared to lab settings, this is likely because of the outdoor path’s width. Overall, our results suggest that collision avoidance behaviours in lab and real-world environments share similarities and offer insights relevant to developing more accurate computational models for realistic pedestrian movement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».