LADRI: LeArning-based Dynamic Risk Indicator in Automated Driving System

要約

自動運転システム（ADS）の進化によってインテリジェント交通の地平が広がるにつれ、最高の安全性を確保することがこれまで以上に不可欠になっている。従来のリスクアセスメント手法は、主に人間が運転する車両向けに開発されたものであり、ADSの多面的で進化する環境に適切に適応することは困難であった。本稿では、ADSにおけるリアルタイムの動的リスク評価（DRA）のフレームワークを紹介し、人工ニューラルネットワーク（ANN）の能力を活用する。 我々の提案するソリューションは、ディープラーニングの基礎であるANNを活用し、リアルタイムのオンボードセンサー（OBS）データを用いて、リスクの次元を綿密に分析・分類することで、これらの制約を超越する。この学習中心のアプローチは、ADSの状況認識を向上させるだけでなく、直近の作戦状況の理解も豊かにする。OBSデータを分析することで、システムは現在のリスクプロファイルをピンポイントで特定することができるようになり、それによって乗客やより広範な交通エコシステムの安全性を高めることができる。 このフレームワークを通じて、我々はリスク評価の方向性を示し、従来の空白を埋め、ADSの熟練度を高める。ANNを利用することで、我々の方法論は、ADSが巧みにナビゲートし、潜在的なリスク要因に反応することを可能にする視点を提供し、より安全で情報に基づいた自律的な旅を保証する。

要約(オリジナル)

As the horizon of intelligent transportation expands with the evolution of Automated Driving Systems (ADS), ensuring paramount safety becomes more imperative than ever. Traditional risk assessment methodologies, primarily crafted for human-driven vehicles, grapple to adequately adapt to the multifaceted, evolving environments of ADS. This paper introduces a framework for real-time Dynamic Risk Assessment (DRA) in ADS, harnessing the potency of Artificial Neural Networks (ANNs). Our proposed solution transcends these limitations, drawing upon ANNs, a cornerstone of deep learning, to meticulously analyze and categorize risk dimensions using real-time On-board Sensor (OBS) data. This learning-centric approach not only elevates the ADS’s situational awareness but also enriches its understanding of immediate operational contexts. By dissecting OBS data, the system is empowered to pinpoint its current risk profile, thereby enhancing safety prospects for onboard passengers and the broader traffic ecosystem. Through this framework, we chart a direction in risk assessment, bridging the conventional voids and enhancing the proficiency of ADS. By utilizing ANNs, our methodology offers a perspective, allowing ADS to adeptly navigate and react to potential risk factors, ensuring safer and more informed autonomous journeys.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL