驾驶风险评估的综合框架,它结合了变车道检测和基于注意力的预测模型
Zhongxiang Feng1, Xinyi Wei1, Yu Bi1
1School of Automobile and Traffic Engineering, Hefei University of Technology, Hefei, China.
Traffic injury prevention
|October 2, 2024
概括
这项研究引入了一种先进的AI模型,用于预测危险的驾驶场景,提高道路安全. 基于注意力的LSTM模型实现了96%的准确性,为驾驶员提供实时警告和指导.
科学领域:
- 人工智能的人工智能
- 道路安全工程 道路安全工程
- 机器学习 机器学习
背景情况:
- 越来越多的交通事故对公共安全构成重大威胁.
- 预测和减轻危险的驾驶场景对于提高道路安全至关重要.
研究的目的:
- 开发和验证用于识别危险驾驶场景的预测模型.
- 通过实时风险预测和驾驶员指导来提高道路安全.
主要方法:
- 开发了一个框架,结合了集成的车道变化检测模型和基于注意力的长期短期记忆 (LSTM) 预测模型.
- 评估了用于车道线路检测的机器学习方法,选择了一个超高速网络.
- 基于注意力的LSTM与标准的LSTM进行了比较,以预测准确度,回忆,精度和F1得分.
- 沙普利添加式解释 (SHAP) 分析用于模型解释性.
主要成果:
- 超快速车道检测网络表现出高效率,运行时间为4.1ms,速度为131fps.
- 基于注意力的LSTM模型实现了高预测性能,96%的准确性,98%的精度,96%的回忆率和97%的F1得分.
- SHAP分析显示,车道变化,曲率,速度稳定性,车辆速度和加速是影响驾驶风险的关键因素.
结论:
- 基于注意力的LSTM模型在接近速度和预测准确性方面显著优于标准LSTM,用于识别危险的驾驶场景.
- 改变车道的行为被确定为影响驾驶风险的最关键因素.
- 开发的模型提供了实时风险场景预测,驾驶员警告和知情决策的潜力,以提高道路安全.
