Detektion af ‘aggressiv kørsel’ med maskinlæring og edge-computing

En nylig patentansøgning har foreslået et system til identificering af ‘aggressiv kørselsadfærd’ ved krydsninger ved hjælp af maskinlæringsalgoritmer, der er installeret i civile edge-computing-enheder.

I modsætning til de seneste innovationer inden for AI-forskning i in-vehicle ‘road rage’-analyser (primært beregnet til forsikringsselskabers fordel) er det foreslåede system af kommunal karakter og kunne være rettet mod at lette straffe for chauffører, der ikke overholder de omgivende normer for ‘sikker’ kørselsadfærd. Det er også specifikt beregnet til at give dårlige chauffører relaterede in-car audiovisuelle advarsler.

Patenten blev indgivet hos US Patent and Trademark Office den 29. april 2021 på vegne af Board Of Regents ved University of Michigan og Denso corporation, en japansk producent af bildele ejet af Toyota.

Det foreslåede system er ikke et proprietært, in-car-system beregnet til forsikringstilsyn, eller designet kun til at producere retsmedicinske data, men er i stedet baseret på veludstyrede edge-computing-noder, der er installeret ved trafikknudepunkter for at give øjeblikkelig og håndgribelig feedback, ved at samle data fra vej sideliggende edge-computing-resourcer og fra sensorer installeret i nærheden af køretøjer. Kilde: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Det foreslåede rammeværk er ikke fuldstændig passivt eller afhængigt af kommunale faciliteter, men ville også kræve in-vehicle-teknologier, der kan omdanne biler til bidragende sensorer for systemet. Effektivt ville dette omdanne hver udstyret bil til en trafikovervågningsnode, selvom den samme overvågning også ville blive rettet mod chaufføren selv, med den ekstra fordel at have adgang til køretøjets onboard-datastrømme. Schematisk for in-car-installationen (billedet til højre) indgivet i patenten inkluderer direkte sensordata fra bilens bremser, accelerator, rat og odometer, samt kræver adgang til kortdata.

Både vej- og in-vehicle-installationer har CUDA-aktiverede GPU og lokale lagringsressourcer, og begge har cloud-forbindelse.

Advarsler for aggressive chauffører

Ifølge patentansøgningen er systemet designet til at interagere med en urolig chauffør:

‘Når systemet for at forudsige aggressiv kørselsadfærd 1 forudser aggressiv kørsel i et køretøj, kan en advarselssætning, såsom advarslen i FIG. 8A, udskrives til audiovisuelt udstyr 413 i køretøjet for at advare en aggressiv chauffør om at sænke farten.’

Yderligere potentielle advarsler inkluderer in-car-advarsler for hastighed og indkommende køretøjer:

Advarsler afbildet i patentansøgningen. Kilde: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

Patenten siger, at i en anden mulig scenario kan alle tilgængelige audiovisuelle enheder (herunder smartphones ejet af chaufføren) i køretøjet bruges til at give advarsler, herunder audioadvarsler.

Chauffør-specifikke røde lys

Ændring af frekvenser og adfærd for trafiklys ved krydsninger har længe været kendt som en metode til at reducere ulykker, og det foreslåede system kan bruges til at generere data, der kan ændre, hvordan trafiklys fungerer ved krydsninger på et meget bredt niveau.

Men den dybe integration af infrastruktur og køretøjsdata, som er foreslået i Michigan-forslaget, tilbyder en anden mulighed: røde lys, der bestemmes af chaufførens adfærd, snarere end køres af rutine eller efter en fast tidsplan (se den lange sektion [0157] i patentansøgningen).

‘Desuden, hvis kørselsmønsteret ved et kryds (f.eks. kryds 200a) forudser og/eller indikerer aggressiv kørsel i køretøjet 71, kan korrektive foranstaltninger, såsom kontrol af kontrolelementer, anvendes ved efterfølgende kryds (f.eks. kryds 200b og 200c) for at kontrollere og afhjælpe aggressiv kørselsadfærd. For eksempel, hvis systemet for at forudsige aggressiv kørselsadfærd 1 forudser, at køretøjet 71 kan køre gennem et rødt lys ved kryds 200a, kan systemet for at forudsige aggressiv kørselsadfærd 1 udskrive en kontrolsignal for at kontrollere tilstanden/fasen af trafiksignalerne 202b og 202c ved kryds 200b og 200c. På denne måde kan trafiksignalerne 202b og 202c ændre til rødt, for eksempel, før køretøjet 71 passerer gennem kryds 200a for at opmuntre køretøjet 71 til at sænke farten og ikke forsøge at accelerere gennem kryds 200b og 200c, før signalerne 202b og 202c skifter til rødt.’

Indveje i chaufførernes privatliv

Forslag til in-vehicle chauffør-overvågningsystemer over de sidste ti år har udnyttet emotionsgenkendelses-computervision-algoritmer samt andre biometriske indikatorer til at producere systemer, der er designet til at have en ‘afkølende effekt’ på urolige chauffører, da uordenly kørselsadfærd kunne påvirke chaufførens forsikringspræmie under sådanne ordninger, eller også kunne bruges som bevis i en ulykkesundersøgelse.

I modsætning hertil synes Michigan/Denso-forlaget at være beregnet til en form for statslig samarbejde gennem ændringer i obligatoriske køretøjsstandarder. Men på grund af den amerikanske befolknings mobilitet i normale tider, og det faktum, at sådant et system ville være mest anvendeligt for langdistancechauffører, såsom lastvognschauffører, er det svært at se, hvordan noget andet end en føderal implementering ville være gennemførlig, medmindre rammeværket er designet til at blive inaktivt over ikke-deltagende statsgrænser eller over amter, der ikke støtter ordningen.

Selvom sådanne innovationer generelt er drevet af den øgede trend for forsikringsselskaber til at belønne policyholdere, der er villige til at installere overvågningsudstyr, passer behovet for kommunal infrastruktur ikke helt ind i den model, hvilket antyder, at sådant et system ville kræve lovgivningsstøtte og føderal eller statsfinansiering.

En illustration af den maskinlæringsarkitektur, der er foreslået til systemet, der anvender Recurrent Neural Networks (RNN). Selvom rammeværket også anvender unsupervised learning og giver realtidsfeedback, tilbyder det også mulighed for offline-træning til at forbedre algoritmerne på basis af indgående data og begivenheder. Identifikationen af aggressiv kørselsadfærd lettes af Dynamic Time Warping (DTW), en algoritme, der anvendes i tidsserieanalyse til at sammenligne to tidsmæssige serier eller sekvenser af objekter, der kan variere i hastighed.

Indtægtsstrøm

Det foreslåede system i patenten kunne være det første af sin art til at tilbyde realtidsanalyse af uordenly kørselsadfærd i en kommunal ramme, der er i stand til automatisk at udstede bøder og straffe, eller til at advare myndighederne i tilfælde af virkelig farlige kørselsbegivenheder. Men opfinderne indrømmer, at det kunne misbruges som en kasseko til revenue-hungry kommunale myndigheder.

Neda Masoud, adjunkt ved Afdelingen for Civil- og Miljøingeniørvidenskab ved University of Michigan, fortalte The Academic Times, at ‘Falske alarmer er en lille pris at betale for det forhøjede niveau af sikkerhed, som teknologien kan tilbyde. Det skal dog altid være muligt for de uretfærdigt anklagede at forsvare sig selv mod enhver falsk påstand om aggressiv kørsel,’.

Patentansøgningen anerkender muligheden for aggressive kørselsbegivenheder, der involverer køretøjer, der ikke er udstyret med on-board-enheder (OBE), hvilket kan håndteres ved ekstern observation af nærliggende eller nærheden af køretøjer, der har udstyret, samt krydsningsinstallationer. I sådanne tilfælde ville identifikationen formodentlig falde tilbage til andre metoder, såsom automatiseret nummerplade-genkendelse (selvom patentansøgningen ikke omhandler dette).

Krydsninger er et højt risiko

Michigan-patenten omhandler uordenly adfærd ved krydsninger, da disse er et knudepunkt for trafikulykker og -forseelser, mens tidligere kinesisk forskning i lignende retning har anvendt support vector machine (SVM)-analyse til at identificere undervejs-begivenheder, såsom farlige filskift. En anden kinesisk forskningsinitiativ udnyttede sensorer i smartphones til at registrere urolig kørsel under rejser.

Den amerikanske nationale vejtrafiksikkerhedsadministration estimerede i 2010, at 40% af ulykkerne, der skete i USA i 2008, var relateret til aktivitet ved krydsninger.