PRISMA: A Novel Approach for Deriving Probabilistic Surrogate Safety Measures for Risk Evaluation

要約

代理安全対策 (SSM) は、交通衝突における安全リスクの観点から交通安全を表現するために使用されます。
通常、SSM は、リスクの尺度を生成するために、トラフィック参加者の軌跡の将来の進化に関する仮定に依存しています。
結果として、これらの仮定が成り立つシナリオでのみ適用できます。
この問題に対処するために、新しいデータ駆動型の確率的リスク測定導出 (PRISMA) メソッドを提示します。
PRISMA メソッドは、特定のイベント (クラッシュなど) の確率をリアルタイムで計算するために使用できる SSM を導出するために使用されます。
トラフィック参加者の軌跡の将来の進化を予測するためにデータ駆動型のアプローチを採用しているため、これらの軌跡に関する仮定はあまり必要ありません。
PRISMA は特定の仮定に縛られていないため、さまざまな種類のシナリオに対して複数の SSM を導き出すことができます。
特定のイベントの確率を計算するために、PRISMA メソッドはモンテカルロ シミュレーションを使用して、指定されたイベントの発生確率を推定します。
さらに、この確率を推定するために必要なシミュレーションが少ない統計的手法を導入します。
これを回帰モデルと組み合わせることで、派生した SSM でリアルタイムのリスク推定を行うことができます。
PRISMA 手法を説明するために、縦方向のトラフィック相互作用中のリスク評価のために SSM が導出されます。
2 つの SSM の相対的なメリットを客観的に比較することは、不可能ではないにしても非常に困難です。
代わりに、予想されるリスク傾向に関して、派生した SSM をベンチマークする方法を提供します。
ベンチマークの適用は、SSM が予想されるリスク傾向と一致することを示しています。
派生した SSM は PRISMA 手法の可能性を示していますが、今後の作業では、横方向の交通衝突や脆弱な道路利用者との相互作用など、他のタイプの交通衝突にアプローチを適用する必要があります。

要約(オリジナル)

Surrogate Safety Measures (SSMs) are used to express road safety in terms of the safety risk in traffic conflicts. Typically, SSMs rely on assumptions regarding the future evolution of traffic participant trajectories to generate a measure of risk. As a result, they are only applicable in scenarios where those assumptions hold. To address this issue, we present a novel data-driven Probabilistic RISk Measure derivAtion (PRISMA) method. The PRISMA method is used to derive SSMs that can be used to calculate in real time the probability of a specific event (e.g., a crash). Because we adopt a data-driven approach to predict the possible future evolutions of traffic participant trajectories, less assumptions on these trajectories are needed. Since the PRISMA is not bound to specific assumptions, multiple SSMs for different types of scenarios can be derived. To calculate the probability of the specific event, the PRISMA method uses Monte Carlo simulations to estimate the occurrence probability of the specified event. We further introduce a statistical method that requires fewer simulations to estimate this probability. Combined with a regression model, this enables our derived SSMs to make real-time risk estimations. To illustrate the PRISMA method, an SSM is derived for risk evaluation during longitudinal traffic interactions. It is very difficult, if not impossible, to objectively compare the relative merits of two SSMs. Instead, we provide a method for benchmarking our derived SSM with respect to expected risk trends. The application of the benchmarking illustrates that the SSM matches the expected risk trends. Whereas the derived SSM shows the potential of the PRISMA method, future work involves applying the approach for other types of traffic conflicts, such as lateral traffic conflicts or interactions with vulnerable road users.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google