Learning Collision Risk from Naturalistic Driving with Generalised Surrogate Safety Measures

要約

ドライバーや自動運転システムに対して、発生する衝突を正確かつタイムリーに警告することは、交通安全、特に双方向性の高い都市交通における課題である。既存のアプローチでは、疎なリスクの注釈に多大な労力を要したり、様々な文脈要因を考慮するのに苦労したり、あるいは設計されたシナリオにしか役立たなかったりする。これらの限界に対処するため、本研究では、衝突やリスクのラベルを付けずに、自然な運転のみから学習する新しいアプローチである一般化代替安全指標（GSSM）を導入する。GSSMは通常の運転のパターンを捉え、ある交通相互作用が規範からどの程度逸脱し、安全でない極端な方向に向かうかを推定する。ニューラルネットワークを利用することで、通常の相互作用は、道路利用者間の多方向間隔の文脈条件付き分布によって特徴付けられる。同じ相互作用の文脈では、通常よりも車間距離が近いほど、潜在的な衝突のリスクが高くなる。そして、コンテキストに適応したリスクスコアとそれに関連する確率は、極値の理論に基づいて計算することができる。運動学、天候、照明などの測定可能な要素はコンテキストの一部となり、安全上重要な相互作用を多様にカバーすることができる。GSSMを訓練するために複数の公開運転データセットが使用され、SHRP2 NDSから再構成された2,591件の実際の衝突事故とニアクラッシュでテストされる。瞬間的な状態のみを使用するバニラGSSMは、AUPRC 0.9を達成し、衝突の可能性を防ぐための中央値2.6秒の時間前進を確保した。付加的なデータとコンテクスト要因によって、さらに性能が向上する。追突、合流、交差などの様々な相互作用のタイプにわたって、GSSMの精度と適時性は一貫して既存のベースラインを上回る。したがって、GSSMは、交通相互作用における衝突リスクを事前に定量化するための、スケーラブルで、コンテキストを認識し、一般化可能な基盤を確立します。

要約(オリジナル)

Accurate and timely alerts for drivers or automated systems to unfolding collisions remains a challenge in road safety, particularly in highly interactive urban traffic. Existing approaches require labour-intensive annotation of sparse risk, struggle to consider varying contextual factors, or are useful only in the scenarios they are designed for. To address these limits, this study introduces the generalised surrogate safety measure (GSSM), a new approach that learns exclusively from naturalistic driving without crash or risk labels. GSSM captures the patterns of normal driving and estimates the extent to which a traffic interaction deviates from the norm towards unsafe extreme. Utilising neural networks, normal interactions are characterised by context-conditioned distributions of multi-directional spacing between road users. In the same interaction context, a spacing closer than normal entails higher risk of potential collision. Then a context-adaptive risk score and its associated probability can be calculated based on the theory of extreme values. Any measurable factors, such as motion kinematics, weather, lighting, can serve as part of the context, allowing for diverse coverage of safety-critical interactions. Multiple public driving datasets are used to train GSSMs, which are tested with 2,591 real-world crashes and near-crashes reconstructed from the SHRP2 NDS. A vanilla GSSM using only instantaneous states achieves AUPRC of 0.9 and secures a median time advance of 2.6 seconds to prevent potential collisions. Additional data and contextual factors provide further performance gains. Across various interaction types such as rear-end, merging, and crossing, the accuracy and timeliness of GSSM consistently outperforms existing baselines. GSSM therefore establishes a scalable, context-aware, and generalisable foundation to proactively quantify collision risk in traffic interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL