零样本行人意图预测：基于原始时序视频与多模态线索的创新方法

行人意图预测在复杂城市环境下的自动驾驶中至关重要。传统方法依赖于对帧序列的监督学习，并且需要大量重新训练以适应新场景。本文介绍BF-PIP（超帧行人意图预测），这是一种基于Gemini 2.5 Pro构建的零样本方法。它直接从富含结构化JAAD元数据的短连续视频片段中推断穿越意图。

与基于离散帧操作的GPT-4V方法不同，BF-PIP处理连续的时间片段。它还通过专门的多模态提示整合边界框标注和自车速度。在没有任何额外训练的情况下，BF-PIP实现了73%的预测准确率，比GPT-4V基准方法高出18%。

这些发现表明，将时序视频输入与上下文线索相结合，可以增强时空感知能力，并在模糊条件下改进意图推断。该方法为智能交通系统中灵活、无需重新训练的感知模块铺平了道路。

会议收录：已被IEEE第三届人工智能、区块链和物联网国际会议（AIBThings 2025）接受。

研究领域：计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）