AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics

要約

このペーパーでは、グループワイズ車両の相互作用を説明するAI対応の相互作用対応アクティブ安全分析フレームワークを紹介します。
具体的には、このフレームワークは、車両のダイナミクスを正確にキャプチャするために、道路勾配の考慮事項を備えた自転車モデルを採用しています。
並行して、ハイパーグラフベースのAIモデルが開発され、周囲のトラフィックの確率的軌跡を予測します。
これらの2つのコンポーネントを統合することにより、フレームワークは、3D路面上の車両内スペースを確率的な通常の微分方程式の溶液として導き出し、衝突時間（TTC）などの高忠実度の代理安全対策をもたらします。
その有効性を実証するために、フレームワークは、4次Runge-Kutta統合とAI推論を含む確率的数値的手法を使用して分析され、複雑なマルチエージェント操縦と行動の不確実性を反映する確率加重高忠実度TTC（HF-TTC）分布を生成します。
従来の一定の速度TTCおよび高速道路データセットでの非相互作用対応アプローチに対してHF-TTCを使用して評価された提案されたフレームワークは、複雑な交通環境での安全性認識を改善する可能性を高める積極的な安全分析のための体系的な方法論を提供します。

要約(オリジナル)

This paper introduces an AI-enabled, interaction-aware active safety analysis framework that accounts for groupwise vehicle interactions. Specifically, the framework employs a bicycle model-augmented with road gradient considerations-to accurately capture vehicle dynamics. In parallel, a hypergraph-based AI model is developed to predict probabilistic trajectories of ambient traffic. By integrating these two components, the framework derives vehicle intra-spacing over a 3D road surface as the solution of a stochastic ordinary differential equation, yielding high-fidelity surrogate safety measures such as time-to-collision (TTC). To demonstrate its effectiveness, the framework is analyzed using stochastic numerical methods comprising 4th-order Runge-Kutta integration and AI inference, generating probability-weighted high-fidelity TTC (HF-TTC) distributions that reflect complex multi-agent maneuvers and behavioral uncertainties. Evaluated with HF-TTC against traditional constant-velocity TTC and non-interaction-aware approaches on highway datasets, the proposed framework offers a systematic methodology for active safety analysis with enhanced potential for improving safety perception in complex traffic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google