Виявлення «Агресивного Поведінки Водіїв» З Допомогою Машинного Навчання та Обчислень На Краю

Нещодавно подана заявка на патент пропонує систему для ідентифікації «агресивної поведінки водіїв» на перехрестях за допомогою алгоритмів машинного навчання, розгорнутих у цивільних пристроях обчислень на краю.

На відміну від останніх інновацій у сфері досліджень штучного інтелекту щодо аналізу «дорожньої ярості» у транспортних засобах (в основному призначених для користі страхових компаній), запропонована система має муніципальний характер і може бути спрямована на забезпечення штрафів для водіїв, які не відповідають нормам «безпечної» поведінки водіїв. Крім того, вона призначена для надання поганим водіям пов’язаних аудіовізуальних попереджень у транспортному засобі.

Патент був поданий до Офісу патентів і торгових марок США 29 квітня 2021 року від імені Ради регентів Університету Мічигану та корпорації Denso, японського виробника автомобільних компонентів, який належить компанії Toyota.

Патент Університету Мічигану не є пропріетарною, вбудованою у транспортний засіб системою, спрямованою на страхове нагляд, ні призначеною виключно для виробництва судових даних, а скоріше спирається на добре оснащені вузли обчислень на краю, розгорнуті на перехрестях, щоб надавати негайну та діючу зворотню зв’язок, шляхом збору даних з ресурсів обчислень на краю та з датчиків, встановлених у найближчих транспортних засобах. Джерело: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Пропонована система не є повністю пасивною або залежною від цивільного обладнання, а також вимагатиме технологій у транспортному засобі, здатних перетворити автомобілі на датчики, що сприяють системі. Ефективно, це перетворить кожен оснащений транспортний засіб на вузол моніторингу руху, хоча той же нагляд також буде спрямований на самого водія, з додатковою перевагою доступу до потоків даних бортової системи транспортного засобу. Схема для установки у транспортному засобі (зображена праворуч) подана у патенті включає прямий датчик даних з гальм, дросельної заслінки, кермового колеса та одометра, а також вимагає доступу до картографічних даних.

Обидва дорожні та автомобільні установки мають CUDA-дозволені GPU і локальні ресурси зберігання, а також мають підключення до хмари.

Попередження Для Агресивних Водіїв

Згідно з патентною заявкою, система призначена для взаємодії з водієм, який виявляє агресивну поведінку:

‘Коли система для прогнозування агресивної поведінки водіїв 1 передбачає агресивну поведінку у транспортному засобі-об’єкті, попереднє повідомлення, таке як попередження на малюнку 8А, може бути виведено на аудіовізуальний пристрій 413 у транспортному засобі-об’єкті, щоб попередити агресивного водія про необхідність зниження швидкості.’

Додаткові потенційні попередження включають попередження у транспортному засобі щодо швидкості та наближення транспортних засобів:

Попередження, зображені у патентній заяві. Джерело: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

Патент вказує, що в іншому можливому сценарії будь-які доступні аудіовізуальні пристрої (включаючи смартфони, що належать водієві) у транспортному засобі можуть бути використані для надання попереджень, включаючи аудіопопередження.

Червоні Світлофори Для Водіїв

Зміна частоти та поведінки світлофорів на перехрестях давно відома як метод зменшення кількості аварій, і запропонована система може бути використана для генерації даних, які можуть змінити спосіб функціонування світлофорів на перехрестях на дуже широкому рівні.

Однак глибока інтеграція інфраструктури та даних транспортних засобів, запропонована у пропозиції Мічигану, пропонує іншу можливість: червоні світлофори, які диктуються поведінкою водія, а не керуються за розкладом або за графіком (див. розділ [0157] у патентній заяві).

‘Крім того, якщо модель поведінки на одному перехресті (наприклад, перехресті 200а) передбачає і/або вказує на агресивну поведінку у транспортному засобі 71, можуть бути застосовані заходи, такі як контроль елементів управління, на наступних перехрестях (наприклад, перехрестях 200б і 200в), щоб контролювати і пом’якшувати агресивну поведінку водіїв. Наприклад, якщо система для прогнозування агресивної поведінки водіїв 1 передбачає, що транспортний засіб 71 може проїхати на червоне світло на перехресті 200а, система для прогнозування агресивної поведінки водіїв 1 може вивести сигнал контролю для контролю стану/фази світлофорів 202б і 202в на перехрестях 200б і 200в. У такому випадку світлофори 202б і 202в можуть змінитися на червоне, наприклад, до того, як транспортний засіб 71 проїде перехрестя 200а, щоб змусити транспортний засіб 71 знижувати швидкість і не намагатися прискоритися, щоб проїхати перехрестя 200б і 200в до того, як світлофори 202б і 202в зміняться на червоне.’

Нарахування До Приватності Водіїв

Предложення щодо систем моніторингу водіїв у транспортних засобах за останні десять років використовували алгоритми розпізнавання емоцій комп’ютерного зору, разом з іншими біометричними індикаторами, для створення систем, призначених для того, щоб мати «охолоджуючий ефект» на водіїв, які виявляють агресивну поведінку, оскільки поведінка водія може вплинути на страхові премії у таких схемах, або ж бути використані як докази у разі аварії.

На відміну від цього, пропозиція Мічигану/Денсо, як здається, призначена для деякої форми державної співпраці через зміни у обов’язкових стандартах транспортних засобів. Однак, враховуючи мобільність населення США в нормальні часи, і той факт, що така система буде найбільш застосовною для водіїв на довгих дистанціях, таких як водії вантажівок, важко бачити, як щось менше, ніж федеральна реалізація, буде здійсненним, якщо тільки система не буде спроектована для деактивації на некооперативних державних кордонах, або по округах, які не підтримують схему.

Хоча такі інновації зазвичай спонукаються зростаючою тенденцією страхових компаній винагороджувати страхувальників, які погоджуються встановити обладнання для моніторингу, необхідність цивільної інфраструктури не зовсім відповідає цій моделі, що свідчить про те, що така система потребуватиме законодавчої підтримки та федерального або державного фінансування.

Ілюстрація архітектури машинного навчання, запропонованої для системи, яка використовує рекурентні нейронні мережі (RNN). Хоча фреймворк також використовує несупервізоване навчання і надає зворотню зв’язок у реальному часі, він також передбачає можливість офлайн-навчання для покращення алгоритмів на основі надходження даних та подій. Ідентифікація агресивної поведінки водіїв здійснюється за допомогою динамічного часу деформування (DTW), алгоритму, який використовується у часових рядах для порівняння двох часових рядів або послідовностей об’єктів, які можуть змінюватися зі швидкістю.

Потік Доходу

Система, запропонована у патенті, може бути першою у своєму роді, яка пропонує аналіз агресивної поведінки водіїв у реальному часі у цивільному фреймворку, який здатний автоматично видаючи штрафи та покарання, або попереджати органи влади у разі真正но небезпечної поведінки водіїв. Однак винахідники визнають, що вона може бути використана як джерело доходу голодними муніципальними органами влади.

Неда Масуд, асистент-професор кафедри цивільної та екологічної інженерії Університету Мічигану, сказав The Academic Times, що «Помилкові спрацьовування – це мала ціна за підвищений рівень безпеки, який може забезпечити ця технологія. Однак завжди повинна бути можливість для тих, хто був помилково звинувачений, захистити себе від будь-яких помилкових звинувачень у агресивній поведінці водіїв»..

Патентна заявка визнає можливість агресивної поведінки водіїв, що включає транспортні засоби, які не обладнані бортовими блоками (ОБУ), що може бути вирішено шляхом зовнішнього спостереження за сусідніми або найближчими транспортними засобами, які мають таке обладнання, а також установок на перехрестях. У таких випадках ідентифікація, як передбачається, буде здійснюватися іншими методами, такими як автоматичне розпізнавання номерних знаків (хоча патентна заявка не розглядає це питання).

Перехрестя – Високий Ризик

Патент Мічигану розглядає безрозсудну поведінку на перехрестях, оскільки ці місця є осередками дорожньо-транспортних пригод і правопорушень, тоді як попередні китайські дослідження у подібному напрямку використовували аналіз за допомогою методу опорних векторів (SVM) для ідентифікації подій у русі, таких як небезпечне зміну смуги руху. Інша китайська дослідницька ініціатива використовувала датчики смартфонів для виявлення непередбачуваної поведінки під час руху.

Адміністрація національної безпеки дорожнього руху США оцінила у 2010 році, що 40% аварій, які відбулися у США у 2008 році, були пов’язані з діяльністю на перехрестях.