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、状況に依存する確率論的な衝突リスクを仮定し、日常のインタラクションにおける極端なイベントの統計的学習によってこのリスクを評価するものとして衝突検出をフレーム化します。
実証のために実世界の軌跡データを用いた実験が行われます。
まず、ドイツの高速道路での車線変更のインタラクションを使用して、衝突を示すための統一メトリックがトレーニングされます。
この指標と他の既存の指標は、パフォーマンスを比較するために、米国での 100 台の車の自然主義的運転研究から得られた衝突寸前イベントに適用されます。
実験の結果、トレーニングされたメトリクスが効果的な衝突警告を提供し、異なるデータセットと交通環境全体で一般化され、広範囲の衝突タイプをカバーし、衝突強度のロングテール分布を提供することが示されました。
これらの結果を反映して、提案された理論は、交通衝突のさまざまな仮定を包含する一般的な定式化によって一貫した評価を保証します。
統計的学習アプローチにより、道路利用者の運動状態、環境条件、参加者の特性などの影響要因を包括的に考慮することが可能になります。
したがって、理論と学習アプローチは共同して、さまざまな道路利用者間およびさまざまなインタラクション シナリオにわたる衝突検出のための、説明可能で適応可能な方法論を提供します。
これにより、交通インフラの安全性評価の強化、自動運転のため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深い理解によって、事故が減少し、全体的な交通安全が向上することが期待されます。

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 emerging in road user interactions. The proposed theory assumes context-dependent probabilistic collision risk and frames conflict detection as assessing this risk by statistical learning of extreme events in daily interactions. Experiments using real-world trajectory data are conducted for demonstration. Firstly, a unified metric for indicating conflicts is trained with lane-changing interactions on German highways. This metric and other existing metrics are then applied to near-crash events from the 100-Car Naturalistic Driving Study in the U.S. for performance comparison. Results of the experiments show that the trained metric provides effective collision warnings, generalises across distinct datasets and traffic environments, covers a broad range of conflict types, and delivers a long-tailed distribution of conflict intensity. Reflecting on these results, the proposed theory ensures consistent evaluation by a generic formulation that encompasses varying assumptions of traffic conflicts; the statistical learning approach then enables a comprehensive consideration of influencing factors such as motion states of road users, environment conditions, and participant characteristics. Therefore, the theory and learning approach jointly provide an explainable and adaptable methodology for conflict detection among different road users and across various interaction scenarios. This promises to reduce accidents and improve overall traffic safety, by enhanced safety assessment of traffic infrastructures, more effective collision warning systems for autonomous driving, and a deeper understanding of road user behaviour in different traffic conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google