การตรวจจับ ‘การขับรถก้าวร้าว’ ด้วย Machine Learning และ Edge Computing

การยื่นขอจดสิทธิบัตรล่าสุดได้เสนอระบบสำหรับการระบุ ‘พฤติกรรมการขับรถก้าวร้าว’ ที่จุดตัดทางด้วยอัลกอริทึม Machine Learning ที่ใช้งานบนอุปกรณ์ Edge Computing ของเมือง

ในทางตรงกันข้ามกับการนวัตกรรมของการวิจัย AI เกี่ยวกับการวิเคราะห์ ‘ความโกรธ’ บนถนน (โดยหลักๆ เพื่อประโยชน์ของบริษัทประกันภัย) ระบบที่เสนอเป็นของเทศบาล และอาจมุ่งหมายเพื่ออำนวยความสะดวกในการปรับโทษสำหรับผู้ขับรถที่ไม่ปฏิบัติตามบรรทัดฐานของ ‘พฤติกรรมการขับรถที่ปลอดภัย’ นอกจากนี้ยังมีจุดมุ่งหมายเพื่อให้ผู้ขับรถที่มีพฤติกรรมไม่ดีมีการเตือนเสียงและภาพบนรถ

สิทธิบัตรถูกยื่นเมื่อวันที่ 29 เมษายน 2021 ที่สำนักงานสิทธิบัตรและเครื่องหมายการค้าของสหรัฐอเมริกา ในนามของ คณะกรรมการบริหาร ของมหาวิทยาลัยมิชิแกน และ บริษัท Denso ซึ่งเป็นบริษัทผลิตยอุปกรณ์รถยนต์ของญี่ปุ่นที่เป็นของ Toyota

สิทธิบัตรของ UMich ไม่ใช่ระบบในรถที่มุ่งหมายเพื่อการดูแลของบริษัทประกันภัย หรือออกแบบเพื่อผลิตข้อมูลทางนิติเวชเท่านั้น แต่ขึ้นอยู่กับโหนด Edge Computing ที่มีทรัพยากรมากที่จุดตัดทางเพื่อให้ข้อเสนอแนะที่ทันทีและสามารถดำเนินการได้ โดยรวบรวมข้อมูลจากทรัพยากร Edge Computing ใกล้ทางและจากเซ็นเซอร์ที่ติดตั้ง (โดยสมมติว่าโดยกฎหมาย) ในรถยนต์ใกล้ๆ Source: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

เฟรมเวิร์กที่เสนอไม่ใช่ระบบที่ไม่เกี่ยวข้องหรือพึ่งพาเครื่องมือของเทศบาลเท่านั้น แต่ยังต้องการเทคโนโลยีในรถที่สามารถเปลี่ยนรถยนต์ให้เป็นเซ็นเซอร์ที่มีส่วนช่วยในระบบได้ โดยที่รถยนต์ทุกคันที่มีอุปกรณ์จะกลายเป็นโหนดการตรวจสอบการจราจร โดยที่การดูแลจะถูกนำไปใช้กับผู้ขับรถด้วย โดยมีประโยชน์ในการเข้าถึงสตรีมข้อมูลบนรถยนต์ สchematic สำหรับการติดตั้งในรถ (แสดงด้านล่างขวา) ที่ยื่นในสิทธิบัตรรวมถึงข้อมูลเซ็นเซอร์โดยตรงจากเบรก ทrottle ล้อเลื่อน และออดอมิเตอร์ของรถยนต์ รวมทั้งการเข้าถึงข้อมูลแผนที่

ทั้งการติดตั้งบนถนนและในรถยนต์มี GPU ที่รองรับ CUDA และทรัพยากรการเก็บข้อมูลท้องถิ่น และทั้งสองมีการเชื่อมต่อคลาวด์

การเตือนสำหรับผู้ขับรถก้าวร้าว

ตามสิทธิบัตร ระบบนี้ได้รับการออกแบบมาเพื่อโต้ตอบกับผู้ขับรถที่ก้าวร้าว:

‘เมื่อระบบสำหรับการคาดการณ์พฤติกรรมการขับรถก้าวร้าว 1 คาดการณ์การขับรถก้าวร้าวในรถยนต์เป้าหมาย ข้อความเตือน เช่น ข้อความเตือนใน FIG. 8A อาจถูกส่งไปยังอุปกรณ์เสียงและภาพ 413 ในรถยนต์เป้าหมายเพื่อเตือนผู้ขับรถก้าวร้าวให้ลดความเร็ว’

การเตือนเพิ่มเติมอาจรวมถึงการเตือนในรถสำหรับความเร็วและรถยนต์ที่เข้ามา:

การเตือนในสิทธิบัตร Source: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

สิทธิบัตรระบุว่าในสถานการณ์ที่เป็นไปได้อื่น อุปกรณ์เสียงและภาพที่มีอยู่ (รวมถึงสมาร์ทโฟนของคนขับ) ในรถยนต์อาจถูกใช้เพื่อเตือน รวมถึงการเตือนเสียง

สัญญาณไฟแดงสำหรับผู้ขับรถ

การเปลี่ยนแปลงความถี่และพฤติกรรมของสัญญาณไฟจราจรที่จุดตัดทางเป็นวิธีที่ทราบกันดีในการลดอุบัติเหตุ และระบบที่เสนอสามารถใช้เพื่อสร้างข้อมูลที่อาจเปลี่ยนแปลงวิธีการทำงานของสัญญาณไฟจราจรที่จุดตัดทางในระดับที่กว้างมาก

อย่างไรก็ตาม การรวมระบบโครงสร้างพื้นฐานและข้อมูลรถยนต์ที่มีการออกแบบในข้อเสนอของมิชิแกนให้ความเป็นไปได้อีกอย่าง: ไฟแดงที่กำหนดโดยพฤติกรรมของผู้ขับรถ ไม่ใช่การทำงานตามตารางหรือตามกำหนดเวลา (ดูส่วน [0157] ในสิทธิบัตร)

‘นอกจากนี้ หากรูปแบบการขับรถที่จุดตัดทางหนึ่ง (เช่น จุดตัดทาง 200a) คาดการณ์และ/หรือบ่งชี้การขับรถก้าวร้าวในรถยนต์ 71 วิธีการแก้ไข เช่น การควบคุมองค์ประกอบการควบคุมอาจถูกนำมาใช้ที่จุดตัดทางถัดไป (เช่น จุดตัดทาง 200b และ 200c) เพื่อควบคุมและบรรเทาการขับรถก้าวร้าว สำหรับตัวอย่าง หากระบบสำหรับการคาดการณ์พฤติกรรมการขับรถก้าวร้าว 1 คาดการณ์ว่ารถยนต์ 71 อาจข้ามสัญญาณไฟแดงที่จุดตัดทาง 200a ระบบสำหรับการคาดการณ์พฤติกรรมการขับรถก้าวร้าว 1 อาจส่งสัญญาณควบคุมสำหรับการควบคุมสถานะ/ระยะของสัญญาณไฟจราจร 202b และ 202c ที่จุดตัดทาง 200b และ 200c ในลักษณะนี้ สัญญาณไฟจราจร 202b และ 202c อาจเปลี่ยนเป็นสีแดง ก่อนที่รถยนต์ 71 จะผ่านจุดตัดทาง 200a เพื่อกระตุ้นให้รถยนต์ 71 ชะลอความเร็วและไม่พยายามเร่งความเร็วเพื่อข้ามจุดตัดทาง 200b และ 200c ก่อนที่สัญญาณ 202b และ 202c จะเปลี่ยนเป็นสีแดง’

การบุกรุกความเป็นส่วนตัวของผู้ขับรถ

ข้อเสนอสำหรับระบบการตรวจสอบผู้ขับรถในรถยนต์ ในช่วงสิบปีที่ผ่านมา ได้ใช้อัลกอริทึมการรู้จำอารมณ์จากภาพและอินดิเคเตอร์ไบโอเมตริกอื่นๆ เพื่อสร้างระบบที่มี ‘ผลกระทบเย็น’ ต่อผู้ขับรถที่ก้าวร้าว เนื่องจากพฤติกรรมผู้ขับรถที่ไม่เหมาะสมอาจส่งผลต่อเบี้ยประกันภัยหรือใช้เป็นหลักฐานในการสืบสวนอุบัติเหตุ

ในทางตรงกันข้าม ข้อเสนอของมิชิแกน/เดนโซดูเหมือนจะถูกออกแบบมาเพื่อการทำงานร่วมกับรัฐผ่านการเปลี่ยนแปลงมาตรฐานรถยนต์ที่บังคับใช้ อย่างไรก็ตาม เนื่องจากการเคลื่อนย้ายของประชากรสหรัฐฯ ในช่วงเวลาปกติ และข้อเท็จจริงที่ว่าระบบดังกล่าวจะมีประโยชน์สูงสุดสำหรับผู้ขับรถระยะไกล เช่น ผู้ขับรถบรรทุก มันจึงยากที่จะเห็นว่าสิ่งอื่นใดนอกจากการนำไปใช้ในระดับชาติจะสามารถทำได้ เว้นแต่เฟรมเวิร์กจะถูกออกแบบมาเพื่อไม่ทำงานเมื่อข้ามพรมแดนของรัฐที่ไม่ได้ร่วมโครงการ หรือในเขตที่ไม่สนับสนุนโครงการ

แม้ว่าการนวัตกรรมดังกล่าวโดยทั่วไปจะถูกขับเคลื่อนด้วยแนวโน้มที่เพิ่มขึ้นของบริษัทประกันภัยที่จะให้รางวัลแก่ผู้ถือกรมธรรม์ที่ติดตั้งอุปกรณ์ตรวจสอบ แต่ความต้องการโครงสร้างพื้นฐานของเทศบาลไม่เข้ากับแบบจำลองนี้ โดยแสดงว่าระบบดังกล่าวจะต้องได้รับการสนับสนุนจากกฎหมายและเงินทุนของรัฐบาลกลางหรือรัฐ

ภาพประกอบของสถาปัตยกรรม Machine Learning ที่เสนอสำหรับระบบ โดยใช้ Recurrent Neural Networks (RNN) เฟรมเวิร์กใช้การเรียนรู้ที่ไม่มีการดูแลและให้ข้อเสนอแนะแบบเรียลไทม์ แต่ยังจัดให้มีการฝึกอบรมออฟไลน์เพื่อปรับปรุงอัลกอริทึมตามข้อมูลและเหตุการณ์ที่เข้ามา การระบุพฤติกรรมการขับรถก้าวร้าวได้รับการอำนวยความสะดวกโดย Dynamic Time Warping (DTW) อัลกอริทึมที่ใช้ในการวิเคราะห์ชุดเวลาสำหรับการเปรียบเทียบสองชุดเวลาของวัตถุหรือลำดับวัตถุที่อาจมีความเร็วต่างกัน

แหล่งรายได้

ระบบที่เสนอในสิทธิบัตรอาจเป็นระบบแรกที่ให้การวิเคราะห์แบบเรียลไทม์ของพฤติกรรมผู้ขับรถที่ไม่เหมาะสมในเฟรมเวิร์กของเทศบาลที่สามารถออกใบแจ้งหนี้และปรับ自动ได้ หรือแจ้งเตือนหน่วยงานที่เกี่ยวข้องในกรณีที่มีการขับรถที่อันตรายอย่างแท้จริง อย่างไรก็ตาม ผู้ประดิษฐ์ยอมรับว่าอาจถูกใช้ในทางที่ผิดเป็น ‘วัวเงิน’ โดยหน่วยงานเทศบาลที่หิวเงิน

นيدا มาซูด ผู้ช่วยศาสตราจารย์ที่ภาควิชาวิศวกรรมโยธาและสิ่งแวดล้อมของมหาวิทยาลัยมิชิแกน บอกกับ The Academic Times ว่า ‘การเตือนผิดพลาดเป็นราคาที่ต้องจ่ายสำหรับระดับความปลอดภัยที่เทคโนโลยีนี้สามารถให้ได้ อย่างไรก็ตาม ควรจะมีโอกาสให้ผู้ที่ถูกกล่าวหาว่าขับรถก้าวร้าวสามารถป้องกันตัวเองจากข้อกล่าวหาที่ไม่ถูกต้องได้’

การยื่นขอจดสิทธิบัตรยอมรับถึงความเป็นไปได้ของเหตุการณ์การขับรถก้าวร้าวที่เกี่ยวข้องกับรถยนต์ที่ไม่ได้ติดตั้งอุปกรณ์บนรถ (OBUs) ซึ่งสามารถแก้ไขได้ด้วยการตรวจสอบจากภายนอกของรถยนต์ที่อยู่ใกล้ๆ ที่มีอุปกรณ์ และการติดตั้งที่จุดตัดทาง ในกรณีดังกล่าว การระบุอาจใช้วิธีอื่นๆ เช่น การอ่านป้ายทะเบียนรถยนต์โดยอัตโนมัติ (แม้ว่าสิทธิบัตรจะไม่ได้กล่าวถึงเรื่องนี้)

จุดตัดทางมีความเสี่ยงสูง

สิทธิบัตรของมิชิแกนกล่าวถึงพฤติกรรมที่ไม่เหมาะสมที่จุดตัดทาง เนื่องจากจุดตัดทางเป็นจุดรวมของเหตุการณ์และการละเมิดการจราจร การวิจัยของจีนในอดีตที่คล้ายกันนี้ได้ใช้การวิเคราะห์ Support Vector Machine (SVM) เพื่อ ระบุเหตุการณ์ระหว่างการเดินทาง เช่น การเปลี่ยนเลนที่อันตราย อีกหนึ่งโครงการวิจัยของจีนที่ใช้ เซ็นเซอร์ในสมาร์ทโฟน เพื่อตรวจจับพฤติกรรมที่ไม่เหมาะสมระหว่างการเดินทาง

การบริหารการจราจรแห่งชาติของสหรัฐอเมริกา ประมาณการ ในปี 2010 ว่า 40% ของอุบัติเหตุที่เกิดขึ้นในสหรัฐอเมริกาในปี 2008 เกี่ยวข้องกับการกระทำที่จุดตัดทาง