A unified theory and statistical learning approach for traffic conflict detection

要約

この研究は、交通衝突検出のための統一理論と統計学習アプローチを提案し、道路利用者とのやり取りで生じる衝突リスクを評価するための一貫した包括的な方法論に対する長年の要望に対処します。
提案された理論は、コンテキスト依存の確率論的な衝突リスクを仮定し、観測された近接性とコンテキスト変数からの統計的学習によってリスクを推定するものとして衝突検出をフレーム化します。
選択された観測値から相互作用コンテキストを表現すること、さまざまなコンテキストでの近接分布を推測すること、極値理論を適用して競合強度と競合確率を関連付けるという 3 つの主要なタスクが統合されています。
その結果、この方法論はさまざまな道路利用者や相互作用のシナリオに適応でき、事前にラベル付けされた衝突データを必要とせずにその適用性が向上します。
実証実験は、ドイツの高速道路での車線変更の相互作用で訓練され、米国での 100 台の車の自然主義的運転研究からの衝突寸前イベントに適用された統一指標を使用して、現実世界の軌跡データを使用して実行されます。この実験は、この方法論が提供する能力を実証しています。
効果的な衝突警告を提供し、さまざまなデータセットと交通環境にわたって一般化し、広範囲の紛争をカバーし、紛争強度の長期分布を提供します。
この研究は、さまざまなシナリオに適用できる矛盾の検出のための一貫した説明可能な方法論を提供することで、交通安全に貢献します。
その社会的影響には、交通インフラの安全性評価の強化、自動運転支援システムおよび運転支援システムのより効果的な衝突警報システム、さまざまな交通状況における道路利用者の行動のより深い理解が含まれ、事故率の潜在的な削減と全体的な交通安全の向上に貢献します。

要約(オリジナル)

This study proposes a unified theory and statistical learning approach for traffic conflict detection, addressing the long-existing call for a consistent and comprehensive methodology to evaluate the collision risk emerged in road user interactions. The proposed theory assumes a context-dependent probabilistic collision risk and frames conflict detection as estimating the risk by statistical learning from observed proximities and contextual variables. Three primary tasks are integrated: representing interaction context from selected observables, inferring proximity distributions in different contexts, and applying extreme value theory to relate conflict intensity with conflict probability. As a result, this methodology is adaptable to various road users and interaction scenarios, enhancing its applicability without the need for pre-labelled conflict data. Demonstration experiments are executed using real-world trajectory data, with the unified metric trained on lane-changing interactions on German highways and applied to near-crash events from the 100-Car Naturalistic Driving Study in the U.S. The experiments demonstrate the methodology’s ability to provide effective collision warnings, generalise across different datasets and traffic environments, cover a broad range of conflicts, and deliver a long-tailed distribution of conflict intensity. This study contributes to traffic safety by offering a consistent and explainable methodology for conflict detection applicable across various scenarios. Its societal implications include enhanced safety evaluations of traffic infrastructures, more effective collision warning systems for autonomous and driving assistance systems, and a deeper understanding of road user behaviour in different traffic conditions, contributing to a potential reduction in accident rates and improving overall traffic safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google