城市智能驾驶汽车在行驶过程中不可避免地与周围行人产生交互,在这种不断变化的环境中,行人轨迹预测及危险态势评估是确保车辆安全平稳行驶的一项关键技能,其可以为车辆控制决策提供基本必要信息,极大的提高自动驾驶车辆的场景理解及交互能力,增强智能汽车的舒适性与安全性。本文基于车载第一视角进行行人轨迹预测及危险态势评估,主要研究内容如下:1.针对车端行人轨迹预测中车载摄像头移动,行人特征单一,时空建模困难等问题提出一种融合行人多特征及时空行为的车载行人轨迹预测算法。通过加入更为丰富的行人骨骼信息,利用车辆全局位置信息及全局行人轨迹信息,基于多头注意力机制及通道注意力机制,提出空间编码器和时间编码器模块,不仅从时间和空间维度提取了融合行人丰富信息的时空特征,并且利用时间注意力模块和空间注意力模块得到的行人和自车,行人与行人的潜在图表达结构,增强交互信息的提取。另外针对时空特征的融合问题,使用时间编码器及空间编码器进一步增强时空特征,得到更为丰富的时空特征表达,最后引入TRANSFORMER网络的解码器,在解码时进一步利用已预测到的轨迹信息,以预测行人轨迹坐标,从而增强车辆的场景理解能力。2.针对行人危险态势评估问题,本文设计了一种融合行人轨迹不确定性的行人危险态势评估算法。基于轨迹预测的行人危险态势评估算法,其准确性取决于行人轨迹预测的准确性,但由于神经网络以黑盒形式存在,行人轨迹预测网络的轨迹预测结果具有不确定性,该不确定性会导致无人驾驶车辆系统功能的偏离,导致车辆预期功能安全问题,故本文引入网络的不确定性评价,通过MC-Dropout评价网络的不确定性,并根据网络不确定性改善行人安全场模型的方法,以完成行人的安全态势评估,从而提升智能驾驶汽车的预期功能安全性。综上,本文针对城市场景的智能驾驶汽车的行人安全问题,提出了一种结合的行人多特征及时空行为车端行人轨迹预测算法,并根据预测轨迹信息,融合预测轨迹的不确定性,完成行人的危险态势评估。最后在城市智能汽车驾驶场景数据集和实车实验上验证了本文算法的有效性。