ROAR:对于自动驾驶来说,强大的事故识别和预测
Xingcheng Liu1, Yanchen Guan1, Haicheng Liao1
1State Key Laboratory of Internet of Things for Smart City and Department of Computer and Information Science, University of Macau, Macao Special Administrative Region of China.
Accident; analysis and prevention
|January 17, 2026
概括
这项研究引入了ROAR,一种用于自动驾驶汽车 (AV) 事故预测的新方法. ROAR通过准确预测事故来提高安全性,即使数据不完美,驾驶员行为也各不相同.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自动驾驶汽车 (AV) 的安全依赖于准确的事故预测.
- 现有的方法在现实条件下失败,如传感器故障,噪音和数据不完美.
- 车辆类型之间驾驶员行为和事故率的变化没有得到充分的解决.
研究的目的:
- 介绍ROAR,一种新的方法,用于在自动驾驶汽车中进行 robust 事故检测和预测.
- 解决现有方法在处理不完美的数据和各种流量场景方面的局限性.
- 提高AV安全系统的可靠性和准确性.
主要方法:
- 使用离散波形变换 (DWT) 来从杂/不完整的数据中提取特征.
- 采用自适应对象意识模块,专注于高风险的车辆和模型时空关系.
- 实现动态焦点损失,以解决事故和非事故事件之间的类不平衡.
主要成果:
- 在Dashcam事故数据集 (DAD),车祸数据集 (CCD) 和AnAn事故检测 (A3D) 上,ROAR的表现始终优于现有的基线.
- 在平均精度 (AP) 和平均事故时间 (mTTA) 中取得了卓越的性能.
- 在处理传感器退化,环境噪音和不平衡数据方面表现出可靠性.
结论:
- ROAR在自动驾驶汽车的事故预测方面取得了重大进展.
- 该模型的强度使其适合复杂和不可预测的现实世界交通环境.
- 为提高自动驾驶系统的安全性和可靠性提供了一个有前途的解决方案.
