Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks

要約

高速トラフィックのカットイン操作は、突然のブレーキと衝突につながる可能性のある重大な課題を引き起こし、安全で効率的な車線変更戦略を必要とします。
ダイナミックなベイジアンネットワーク（DBN）フレームワークを提案して、横方向の証拠を安全評価モデルと統合し、それによって車線の変化を予測し、安全なカットイン操作を効果的に確保します。
提案されたフレームワークは、動的なデータ処理と車両位置、横方向の速度、相対距離、および衝突時間（TTC）コンピューターの評価を通じて意思決定プロセスを促進する3つの重要な確率的仮説（横方向の証拠、横方向の安全性、および縦断的安全性）で構成されています。
他の従来のアプローチと比較したDBNモデルのパフォーマンスは、特に高速シナリオで競争力のあるパフォーマンスを維持しながら、クラッシュ削減の優れたパフォーマンスを示しています。
これにより、自動化された運転システムにおける堅牢でスケーラブルで効率的な安全性検証への道が開かれます。

要約(オリジナル)

Cut-in maneuvers in high-speed traffic pose critical challenges that can lead to abrupt braking and collisions, necessitating safe and efficient lane change strategies. We propose a Dynamic Bayesian Network (DBN) framework to integrate lateral evidence with safety assessment models, thereby predicting lane changes and ensuring safe cut-in maneuvers effectively. Our proposed framework comprises three key probabilistic hypotheses (lateral evidence, lateral safety, and longitudinal safety) that facilitate the decision-making process through dynamic data processing and assessments of vehicle positions, lateral velocities, relative distance, and Time-to-Collision (TTC) computations. The DBN model’s performance compared with other conventional approaches demonstrates superior performance in crash reduction, especially in critical high-speed scenarios, while maintaining a competitive performance in low-speed scenarios. This paves the way for robust, scalable, and efficient safety validation in automated driving systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google