Predicting Overtakes in Trucks Using CAN Data

要約

トラックの安全な追い越しは、事故を防止し、渋滞を緩和し、効率的な交通の流れを確保するために非常に重要であり、タイムリーで情報に基づいた運転決定を行うためには早期の予測が不可欠です。
そこで、CAN データからトラックの追い越しを検出する方法を調査します。
このタスクには、人工ニューラル ネットワーク (ANN)、ランダム フォレスト、サポート ベクター マシン (SVM) の 3 つの分類器が使用されます。
私たちの分析は、CAN の特徴を抽出するために 1 秒のオーバーラップ スライディング ウィンドウを使用して、追い越しイベントの 10 秒前までをカバーします。
追い越しクラスの予測スコアは追い越しトリガーに近づくにつれて増加する傾向があるのに対し、追い越しなしクラスは安定したままであるか、分類子に応じて変動することが観察されます。
したがって、トリガーに近づくときに最高の精度が達成されるため、早期の追い越し予測が困難になります。
分類器は、追い越しの分類では良好な精度 (再現率/TPR > 93%) を示しますが、追い越しなしの分類では精度が最適ではありません (TNR は通常 80 ～ 90%、1 つの SVM バリアントでは 60% 未満)。
さらに、出力スコアを平均することで 2 つの分類器 (ランダム フォレストと線形 SVM) を結合します。
この融合により、追い越し精度 (TPR) が低下する代わりに、追い越しなしの分類 (TNR > 92%) が向上することが観察されています。
ただし、後者はオーバーテイクトリガー付近では91％以上を維持します。
したがって、フュージョンは TPR と TNR のバランスをとり、個別の分類器よりも一貫したパフォーマンスを提供します。

要約(オリジナル)

Safe overtakes in trucks are crucial to prevent accidents, reduce congestion, and ensure efficient traffic flow, making early prediction essential for timely and informed driving decisions. Accordingly, we investigate the detection of truck overtakes from CAN data. Three classifiers, Artificial Neural Networks (ANN), Random Forest, and Support Vector Machines (SVM), are employed for the task. Our analysis covers up to 10 seconds before the overtaking event, using an overlapping sliding window of 1 second to extract CAN features. We observe that the prediction scores of the overtake class tend to increase as we approach the overtake trigger, while the no-overtake class remain stable or oscillates depending on the classifier. Thus, the best accuracy is achieved when approaching the trigger, making early overtaking prediction challenging. The classifiers show good accuracy in classifying overtakes (Recall/TPR > 93%), but accuracy is suboptimal in classifying no-overtakes (TNR typically 80-90% and below 60% for one SVM variant). We further combine two classifiers (Random Forest and linear SVM) by averaging their output scores. The fusion is observed to improve no-overtake classification (TNR > 92%) at the expense of reducing overtake accuracy (TPR). However, the latter is kept above 91% near the overtake trigger. Therefore, the fusion balances TPR and TNR, providing more consistent performance than individual classifiers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google