Обнаружение “Агрессивного Вождения” с Помощью Машинного Обучения и Вычислений на Краю

Недавно поданная заявка на патент предполагает систему для выявления “агрессивного поведения водителя” на перекрёстках с помощью алгоритмов машинного обучения, развернутых в устройствах городского краевого вычисления.

В отличие от недавних инноваций в области исследований ИИ в области аналитики “дорожной ярости” в транспортных средствах (в основном предназначенных для пользы страховых компаний), предложенная система является муниципальной по своей природе и может быть направлена на облегчение наказаний для водителей, которые не соответствуют нормам “безопасного” поведения водителя. Она также предназначена для предоставления плохим водителям связанных аудиовизуальных предупреждений в салоне.

Патент был подан в офис патентов и товарных знаков США 29 апреля 2021 года от имени Совета попечителей Университета Мичигана и корпорации Denso, японского производителя автомобильных компонентов, принадлежащего Toyota.

Патент УМич не является проприетарной, встроенной в автомобиль системой, предназначенной для страхового надзора, ни предназначенной исключительно для производства судебных данных, а скорее полагается на хорошо оснащенные узлы краевого вычисления, развернутые на перекрёстках, для предоставления немедленной и действенной обратной связи, путем сбора данных из дорожных ресурсов краевого вычисления и из датчиков, установленных в ближайших транспортных средствах. Источник: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Предлагаемая структура не является полностью пассивной или зависимой от муниципального оборудования, но также требует встроенных в автомобиль технологий, способных превратить автомобили в сенсорные узлы для системы. По сути, это превратит каждый оснащенный автомобиль в узел мониторинга трафика, хотя тот же надзор также будет направлен на самого водителя, с дополнительным преимуществом доступа к потокам данных бортовой системы автомобиля. Схема для установки в салоне (изображена справа) представлена в патенте и включает прямые данные от датчиков тормозов, педали газа, рулевого колеса и одометра автомобиля, а также требует доступа к картам.

И дорожные, и встроенные в автомобиль установки оснащены CUDA-совместимым GPU и локальными ресурсами хранения, и обе имеют облачную связь.

Предупреждения для Агрессивных Водителей

Согласно патентной заявке, система предназначена для взаимодействия с агрессивным водителем:

‘Когда система для предсказания агрессивного вождения 1 предсказывает агрессивное вождение в транспортном средстве, предупреждающее сообщение, такое как предупреждение на рис. 8А, может быть выведено на аудиовизуальное устройство 413 в транспортном средстве, чтобы предупредить агрессивного водителя о необходимости замедлить скорость.’

Дополнительные потенциальные предупреждения включают аудиовизуальные сигналы в салоне для скорости и встречных транспортных средств:

Предупреждения, изображенные в патентной заявке. Источник: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

Патент гласит, что в другом возможном сценарии любые доступные аудиовизуальные устройства (включая смартфоны, принадлежащие водителю) в транспортном средстве могут быть использованы для предоставления предупреждений, включая аудиопредупреждения.

Сигналы для Водителей

Изменение частот и поведения сигналов на перекрёстках давно известно как метод снижения количества аварий, и предложенная система может быть использована для генерации данных, которые могут изменить то, как сигналы на перекрёстках функционируют на очень широком уровне.

Однако глубокая интеграция инфраструктуры и данных транспортных средств, задуманная в предложении Мичигана, предлагает другую возможность: сигналы, диктуемые поведением водителя, а не работающие по расписанию или в соответствии с графиком (см. подробный раздел [0157] в патентной заявке).

‘Кроме того, если модель вождения на одном перекрёстке (например, на перекрёстке 200а) предсказывает и/или указывает на агрессивное вождение в транспортном средстве 71, могут быть применены меры, такие как контроль элементов управления, на последующих перекрёстках (например, на перекрёстках 200б и 200в), чтобы контролировать и смягчить агрессивное поведение водителя. Например, если система для предсказания агрессивного вождения 1 предсказывает, что транспортное средство 71 может проехать на красный свет на перекрёстке 200а, система для предсказания агрессивного вождения 1 может вывести сигнал управления для контроля состояния/фазы сигналов 202б и 202в на перекрёстках 200б и 200в. Таким образом, сигналы 202б и 202в могут измениться на красный, например, до того, как транспортное средство 71 проедет через перекрёсток 200а, чтобы побудить транспортное средство 71 замедлить скорость и не попытаться ускориться, чтобы проехать через перекрёстки 200б и 200в до того, как сигналы 202б и 202в изменятся на красный.’

Вторжение в Частную Жизнь Водителя

Предложения для систем мониторинга водителей в транспортных средствах за последнее десятилетие использовали алгоритмы компьютерного зрения для распознавания эмоций, вместе с другими биометрическими индикаторами, для создания систем, предназначенных для оказания “охлаждающего” эффекта на упрямых водителей, поскольку поведение водителя, отклоняющееся от нормы, могло повлиять на страховые премии водителя в таких схемах или быть использовано в качестве доказательств в случае аварии.

Напротив, предложение Мичигана/Денсо, кажется, предназначено для некоторой формы государственного сотрудничества через изменения в обязательных стандартах транспортных средств. Однако, учитывая мобильность населения США в нормальные времена и тот факт, что такая система будет наиболее применима для дальнобойных водителей, таких как водители грузовиков, трудно понять, как что-либо менее федеральной реализации будет осуществимо, если только_framework не предназначен для того, чтобы стать неактивным на непартисипантских государственных границах или по округам, которые не поддерживают схему.

Хотя такие инновации обычно обусловлены растущей тенденцией страховых компаний вознаграждать страхователей, готовых устанавливать оборудование для мониторинга, необходимость гражданской инфраструктуры не совсем соответствует этой модели, что предполагает, что такая система потребует законодательной поддержки и федерального или государственного финансирования.

Иллюстрация архитектуры машинного обучения, предложенной для системы, с использованием рекуррентных нейронных сетей (RNN). Хотя фреймворк также использует обучение без учителя и предоставляет обратную связь в реальном времени, он также делает provision для автономного обучения для улучшения алгоритмов на основе входящих данных и событий. Выявление агрессивного поведения водителя облегчается динамическим временным искажением (DTW), алгоритмом, используемым в анализе временных рядов для сравнения двух временных рядов или последовательностей объектов, которые могут варьироваться по скорости.

Поток Доходов

Система, предложенная в патенте, может быть первой в своем роде, предлагающей анализ агрессивного поведения водителя в реальном времени в гражданской рамке, способной автоматически выдавать штрафы и пенальти или оповещать власти в случае действительно опасных событий, связанных с водителями. Однако изобретатели признают, что она может быть неправильно использована как “корова, дающая молоко” муниципальными властями, жаждущими доходов.

Неда Масуд, помощник профессора кафедры гражданского и экологического инженерного дела Университета Мичигана, рассказала Академическим временам, что ‘Ложные тревоги – это небольшая цена за повышенный уровень безопасности, который технология может обеспечить. Однако всегда должна быть возможность для необоснованно обвиненных защитить себя от любых ложных обвинений в агрессивном вождении,’.

Патентная заявка признает возможность агрессивных событий, связанных с транспортными средствами, не оснащенными бортовыми блоками (ОБУ), что может быть решено путем внешнего наблюдения за соседними или ближайшими транспортными средствами, оснащенными оборудованием, а также установками на перекрёстках. В таких случаях выявление, вероятно, будет основано на других методах, таких как автоматическое чтение номерных знаков (хотя патентная заявка не касается этого вопроса).

Перекрёстки – Высокий Риск

Патент Мичигана решает проблему безрассудного поведения на перекрёстках, поскольку именно там происходит большинство аварий и правонарушений, в то время как предыдущие китайские исследования в этой области использовали анализ векторной машины (SVM) для выявления событий в пути, таких как опасное изменение полосы. Другая китайская исследовательская инициатива использовала датчики смартфонов для обнаружения нестабильного поведения во время поездки.

Национальное управление безопасности дорожного движения США оценило в 2010 году, что 40% аварий, произошедших в США в 2008 году, были связаны с деятельностью на перекрёстках.