Network-level Safety Metrics for Overall Traffic Safety Assessment: A Case Study

要約

運転安全分析は、精密位置決めセンサー、人工知能（AI）ベースの安全機能、自動運転システム、コネクテッドカー、ハイスループットコンピューティング、およびエッジコンピューティングサーバーの技術的進歩のおかげで、最近前例のない改善を経験しました。
特に、ディープラーニング（DL）メソッドは、ロードサイドユニット（RSU）によってキャプチャされた大量のビデオから安全関連の機能を抽出するために、ボリュームビデオ処理を強化しました。
安全性メトリックは、クラッシュや競合に近いイベントを調査するために一般的に使用される手段です。
ただし、これらのメトリックは、ネットワークレベルのトラフィック管理全体に対する洞察を制限します。
一方、安全性評価の取り組みの中には、衝突レポートを処理し、道路の形状、交通量、気象条件と相関する衝突の空間的および時間的パターンを特定することに専念しているものがあります。
このアプローチは、クラッシュレポートのみに依存し、クラッシュにおける安全違反の役割を特定するのに役立つ交通ビデオの豊富な情報を無視します。
これらの2つの視点を橋渡しするために、ネットワークレベルの安全性メトリック（NSM）の新しいセットを定義して、RSUカメラによって撮影された画像を処理することによって交通流の全体的な安全性プロファイルを評価します。
私たちの分析は、NSMがクラッシュ率との有意な統計的関連を示すことを示唆しています。
このアプローチは、個々の衝突分析の結果を単純に一般化することとは異なります。これは、衝突事故に関与した車両だけでなく、すべての車両がNSMの計算に寄与するためです。
この観点では、トラフィックフローは、一部のノードのアクションがネットワークを介して伝播し、他のノードのクラッシュリスクに影響を与える可能性がある複雑な動的システムと見なされます。
また、付録Aで代理安全メトリクス（SSM）の包括的なレビューを提供します。

要約(オリジナル)

Driving safety analysis has recently experienced unprecedented improvements thanks to technological advances in precise positioning sensors, artificial intelligence (AI)-based safety features, autonomous driving systems, connected vehicles, high-throughput computing, and edge computing servers. Particularly, deep learning (DL) methods empowered volume video processing to extract safety-related features from massive videos captured by roadside units (RSU). Safety metrics are commonly used measures to investigate crashes and near-conflict events. However, these metrics provide limited insight into the overall network-level traffic management. On the other hand, some safety assessment efforts are devoted to processing crash reports and identifying spatial and temporal patterns of crashes that correlate with road geometry, traffic volume, and weather conditions. This approach relies merely on crash reports and ignores the rich information of traffic videos that can help identify the role of safety violations in crashes. To bridge these two perspectives, we define a new set of network-level safety metrics (NSM) to assess the overall safety profile of traffic flow by processing imagery taken by RSU cameras. Our analysis suggests that NSMs show significant statistical associations with crash rates. This approach is different than simply generalizing the results of individual crash analyses, since all vehicles contribute to calculating NSMs, not only the ones involved in crash incidents. This perspective considers the traffic flow as a complex dynamic system where actions of some nodes can propagate through the network and influence the crash risk for other nodes. We also provide a comprehensive review of surrogate safety metrics (SSM) in the Appendix A.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google