行人原型扩展：面向自动驾驶安全测试的更多行人模型 Pedestrian Archetypes Extension -- More Pedestrian Models for Autonomous Vehicle Safety Testing

方法分四步，每步输入输出明确。第 1 步（标注）：输入是 YouTube 上的险情/近碰撞/碰撞行车记录仪视频，标注员用 PedAnalyze 本体给行人打上横穿、后退、奔跑、停顿、忽视交通、变向、犹豫等行为标签，输出是带时间戳的结构化行为序列。第 2 步（模式归纳）：输入是第 1 步的全部标注场景，审阅后找出反复出现的行为组合，并与原 12 种原型逐一比对，输出是'疑似新原型'的候选集合。第 3 步（证据选取）：输入是候选新原型，为其挑选代表性视频并抽取关键帧（如 Con Artist 的'站车道—跳向车—倒地—同伙搀扶'四帧序列，见 Fig. 1），输出是图解化的行为证据。第 4 步（标签导出）：输入是该原型全部样本的行为标签统计，按核心 $\geq 40\%$、可选 $10\text{–}39\%$、$< 10\%$ 剔除（除非质性显著）三档归类，输出是每原型的 essential/optional 行为表（Table I–VII）。最终得到 7 个新原型及其行为画像。

技术新颖性体现在三个层面。第一，新原型本身：7 种新原型中多种是文献中几乎未被形式化的——例如 Con Artist（蓄意制造碰撞骗保/讹钱）、Influencer（为拍视频占用机动车道，摄影师躺在路上）、Protester（阻塞道路甚至被车撞仍留在车道内导致二次碰撞，见 Fig. 4）、Street Vendor（在缓行/停车车流中贴近车窗推销）。这些行为在传统 AV 研究里通常被当作'噪声'或'越界'，本文首次把它们升格为一等公民的研究对象。第二，量化刻画：用 $\geq 40\%$/$10\text{–}39\%$/$< 10\%$ 三档阈值把行为划分为 essential/optional，使原型从'定性描述'变为'带频率统计的行为表'，提升可复现性。第三，本体对齐：所有 7 种新原型复用 PedAnalyze 本体的标签词汇，从而与原 12 种原型处于同一坐标空间，便于后续在仿真、评估中横向比较。相对而言，局限是未给出任何自动识别算法或仿真集成结果。

弱点 1：缺少标注者间一致性验证。原型识别完全靠人工，没有报告多人独立标注的一致性指标 $\kappa$，新原型的边界（如 Confronted 与 Protester 都含 Agitated/Ignore traffic）可能因人而异。改进：招募多名标注者独立标注并计算 $\kappa$，对边界模糊的原型合并或细化。弱点 2：样本量过小且统计不透明。essential 判定依赖 $\geq 40\%$ 频率，但每个原型的样本数 $N$ 未披露，$N$ 很小时 40% 的置信区间极宽。改进：公布每个原型的 $N$ 与行为频率原始计数，必要时用 bootstrap 给出区间。弱点 3：阈值 40%/10% 未经敏感性分析。改进：扫描阈值网格观察原型定义稳定性，或改用层次聚类自动确定'核心/伴随'分界。弱点 4：无下游落地。原型停留在分类学，未接入 CARLA/SUMO 等仿真器生成对抗场景，也未训练检测模型。改进：把每个原型参数化为仿真 agent 的行为脚本，测量 AV 规划器碰撞率下降。弱点 5：素材地域偏差大。改进：补充亚洲、欧洲等多地行车记录仪，验证原型跨文化可迁移性。

作者提出的方向：把扩展后的 19 种原型用于 AV 仿真、标注与评估，让系统既准备守法行人，也准备'罕见、危险、不可预测'的行人，并以 PedAnalyze 本体（公开于 readthedocs）作为持续扩展的基础。基于成果可延伸的方向：(1) 自动原型识别——用 Fig. 1–7 的关键帧训练视频行为识别模型，在线把行人归类到 19 种原型之一并输出意图概率；(2) 仿真器对抗测试——将每种原型编码为 CARLA/SMARTS 的 agent 行为脚本，对 AV 规划器做压力测试，统计每种原型下的碰撞率与近碰撞率；(3) 原型共现与转移建模——用序列模型刻画行人在原型间的转移（如 Jaywalker→Confronted），预测下一步危险模式；(4) 跨文化/跨地域扩展——在不同国家数据上验证并补充原型；(5) 与轨迹预测融合——把原型标签作为条件输入轨迹预测网络，验证能否降低对危险行人的预测误差；(6) 标注规模与一致性——扩大标注队伍并报告 $\kappa$，使原型从定性资产走向可复现的工程资产。

开源与数据：PedAnalyze 行为本体与行为标签定义已公开（Appendix 链接 pedanalyze.readthedocs.io），论文引用的 9 段视频证据 [3]–[9] 均为 YouTube/Newsflare 公开链接并附访问日期（2024-07），原则上可重新获取。算力：本文不涉及任何模型训练或大规模计算，纯人工标注加文字/图表撰写，零算力门槛。复现难度：偏低到中等。主要障碍：(1) 原始标注数据未公开——每个新原型的样本数 $N$、行为频率原始计数、完整标注时间线都没有提供，因此 essential $\geq 40\%$ 这类结论无法独立核验，是最大短板；(2) 视频可能下架——YouTube 视频链接会随时间失效，长期复现性脆弱；(3) 标注主观性——方法依赖人工判断'是否为新原型'与行为标签归属，不同团队可能得到不同结论，缺一致性度量；(4) 阈值复现——40%/10% 阈值可照搬，但若无原始计数，无法验证每张表中的 essential/optional 划分。综合看，方法学可复现，但具体统计结论难以严格核验。