大規模な自然isticドライビングデータから衝突リスクを能動的に学習する

Abstract

道路安全のために、発生しつつある衝突に対して運転者や自動運転システムへ正確かつ先回りして警告することは極めて重要です。特に、高度に相互作用的で複雑な都市環境ではその重要性が増します。既存の手法は、いずれも、まばらなリスクに対する労力を要する注釈付けが必要だったり、さまざまな文脈要因を考慮することが難しかったり、限られたシナリオに合わせて設計されていたりします。ここでは、一般化サロゲート安全性指標（Generalised Surrogate Safety Measure: GSSM）を提示します。これは、クラッシュやリスクのラベルを必要とせずに、自然走行データから衝突リスクを学習するデータ駆動型のアプローチです。複数のデータセットで学習し、2,591件の実世界のクラッシュおよびニアミスで評価した結果、運動の瞬間的な運動学（インスタンタニアスな運動キネマティクス）のみを用いる基本的なGSSMは、精度-再現率曲線（precision-recall curve）下面積（AUC）0.9を達成し、潜在的な衝突を防ぐための中央値の先読み時間（time advance）を2.6秒確保します。追加の相互作用パターンや文脈要因を組み込むことで、さらに性能が向上します。追突、合流、旋回といった相互作用シナリオの範囲全体において、GSSMは一貫して既存のベースラインを精度と即時性の両面で上回ります。これらの結果は、GSSMが、回避不能になる前に危険な相互作用を特定するための、スケーラブルで文脈に対応した、かつ汎用化可能な基盤であることを示しています。これは、自動運転システムや交通インシデント管理における先回りの安全性を支えるものです。コードおよび実験データは https://github.com/Yiru-Jiao/GSSM で公開されています。