Composite Safety Potential Field for Highway Driving Risk Assessment

要約

車両安全技術の急速な進歩の時代では、リスク評価の促進が注目の焦点になりました。
衝突警告システム、高度なドライバーアシスタンスシステム（ADA）、自律運転などのテクノロジーは、積極的かつリアルタイムで評価するための運転リスクを駆動する必要があります。
効果的であるために、リスク評価の促進指標は、潜在的な衝突を正確に特定するだけでなく、車両間の安全でシームレスな相互作用を可能にするために人間のような推論を示す必要があります。
既存の安全潜在フィールドモデルは、客観的な安全性と主観的な安全性の両方を考慮することにより、駆動リスクを評価します。
ただし、実際のリスク評価タスクにおけるそれらの実際的な適用性は限られています。
これらのモデルは、それらの構造の任意の性質のためにキャリブレーションをするのがしばしば困難であり、事故統計が不足しているため、キャリブレーションは非効率的です。
さらに、彼らは縦方向と横方向のリスクの両方で一般化するのに苦労しています。
これらの課題に対処するために、Composite Safetyの可能性フィールドフレームワーク、すなわちC-SPFを提案します。これは、空間的近接性に関するドライバーのリスク認識をキャプチャする主観的なフィールドと、推移的な衝突確率を定量化するための客観的なフィールドを把握し、運転リスクを包括的に評価することを提案します。
C-SPFは、軌道データセットからの豊富な2次元間隔データを使用して較正されており、ドライバーの近接リスク認識を効果的にキャプチャし、運転行動のより現実的な説明を提供できるようにします。
自然主義的な駆動データセットの分析は、C-SPFがドライバーの安全性操作を引き起こす縦方向と横方向のリスクの両方をキャプチャできることを示しています。
さらなるケーススタディは、既存のモデルが達成できない能力である隣接する車両に対する車線の変更を放棄したり、横方向の位置を調整したりするなど、横方向のドライバーの行動を説明するC-SPFの能力を強調しています。

要約(オリジナル)

In the era of rapid advancements in vehicle safety technologies, driving risk assessment has become a focal point of attention. Technologies such as collision warning systems, advanced driver assistance systems (ADAS), and autonomous driving require driving risks to be evaluated proactively and in real time. To be effective, driving risk assessment metrics must not only accurately identify potential collisions but also exhibit human-like reasoning to enable safe and seamless interactions between vehicles. Existing safety potential field models assess driving risks by considering both objective and subjective safety factors. However, their practical applicability in real-world risk assessment tasks is limited. These models are often challenging to calibrate due to the arbitrary nature of their structures, and calibration can be inefficient because of the scarcity of accident statistics. Additionally, they struggle to generalize across both longitudinal and lateral risks. To address these challenges, we propose a composite safety potential field framework, namely C-SPF, involving a subjective field to capture drivers’ risk perception about spatial proximity and an objective field to quantify the imminent collision probability, to comprehensively evaluate driving risks. The C-SPF is calibrated using abundant two-dimensional spacing data from trajectory datasets, enabling it to effectively capture drivers’ proximity risk perception and provide a more realistic explanation of driving behaviors. Analysis of a naturalistic driving dataset demonstrates that the C-SPF can capture both longitudinal and lateral risks that trigger drivers’ safety maneuvers. Further case studies highlight the C-SPF’s ability to explain lateral driver behaviors, such as abandoning lane changes or adjusting lateral position relative to adjacent vehicles, which are capabilities that existing models fail to achieve.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google