Виявлення «агресивного водіння» за допомогою машинного навчання та=edge-обчислення

Нещодавно поданий патент пропонує систему для ідентифікації «агресивної поведінки водіння» на перехрестях за допомогою алгоритмів машинного навчання, розгорнутих у цивільних пристроях=edge-обчислення.

На відміну від останніх інновацій досліджень штучного інтелекту щодо аналізу «дорожньої люті» всередині транспортного засобу (в основному призначеного для страхових компаній), запропонована система має муніципальний характер і може бути спрямована на забезпечення покарань для водіїв, які не відповідають нормам «безпечної» поведінки водіння. Вона також призначена для надання поганим водіям пов’язаних аудіовізуальних попереджень всередині автомобіля.

Патент був поданий в офіс патентів і товарних знаків 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 власною, внутрішньою системою, спрямованою на нагляд за страхуванням, ні призначеною виключно для виробництва судових даних, а скоріше спирається на добре оснащені вузли=edge-обчислення, розгорнуті на перехрестях, для надання негайної та дієвої зворотної зв’язку, шляхом збору даних з дорожніх ресурсів=edge-обчислення та з датчиків, встановлених у附近 транспортних засобів. Джерело: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Пропонована система не є цілком пасивною або залежною від цивільного обладнання, а також потребує технологій всередині транспортного засобу, здатних перетворити автомобілі на датчики, що сприяють системі. Ефективно це перетворить кожен обладнаний автомобіль на вузол моніторингу трафіку, хоча той самий нагляд буде також спрямований на самого водія, з додатковою перевагою доступу до потоків даних бортової системи автомобіля. Схема для внутрішньої установки (зображена праворуч) подана в патенті включає прямий датчик даних з гальм, акселератора, керма та одометра автомобіля, а також вимагає доступу до картографічних даних.

Обладнання як на перехрестках, так і всередині транспортних засобів оснащене процесорами CUDA та локальним сховищем, а також має 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 водіння 1 прогнозує агресивну поведінку водіння в транспортному засобі, попереднє повідомлення, таке як попередження на Фіг. 8А, може бути виведено на аудіовізуальний пристрій 413 у транспортному засобі, щоб попередити агресивного водія про необхідність зниження швидкості.’

Додаткові потенційні попередження включають внутрішні сигнали про швидкість та транспортні засоби, що наближаються;

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

Патент зазначає, що в іншому можливому сценарії будь-які доступні аудіовізуальні пристрої (включаючи смартфони водія) у транспортному засобі можуть бути використані для надання попереджень, включаючи аудіопередження.

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 роботу світлофорів на перехрестях на досить широкому рівні.

Однак глибока інтеграція інфраструктури та даних транспортних засобів, передбачена пропозицією Мічигану, пропонує іншу можливість: червоні світлофори, які диктуються поведінкою водія, а не керуються за розкладом або за певним графіком (див. розділ [0157] патентної заявки).

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

Вторгнення у приватність водіїв

Пропозиції щодо систем моніторингу водіїв всередині транспортного засобу за останні десять років використовували алгоритми розпізнавання емоцій та інші біометричні індикатори для створення систем, призначених мати «охолоджувальний» ефект на водіїв, оскільки поведінка водіїв могла б впливати на страхові премії у таких схемах або бути використані як доказ у разі аварії.

Натомість пропозиція Мічигану/Денсо, здається, призначена для деякої форми державного співробітництва через зміни у обов’язкових стандартах транспортних засобів. Однак, враховуючи мобільність населення США в нормальні часи та той факт, що така система буде найбільш застосовною для довгобазових водіїв, таких як водії вантажівок, важко бачити, як щось менше за федеральну реалізацію буде здійсненним, якщо тільки.framework не призначений для деактивації на некооперативних державних кордонах або в округах, які не підтримують схему.

Хоча такі інновації загалом спонукаються 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 чи державного фінансування.

Ілюстрація архітектури машинного навчання, запропонованої для системи, яка використовує рекурентні нейронні мережі (RNN). Хоча фреймворк також використовує несупервізоване навчання та забезпечує реальну зворотню зв’язку, він також передбачає офлайн-тренінг для покращення алгоритмів на основі надходящих даних та подій. Ідентифікація агресивної поведінки водіння здійснюється за допомогою динамічного часу деформування (DTW), алгоритму, який використовується в часових рядах для порівняння двох часових рядів або послідовностей об’єктів, які можуть варіюватися за швидкістю.

Потік доходів

Система, запропонована в патенті, може бути першою свого роду, яка пропонує аналіз агресивної поведінки водіння в цивільному фреймворці, який здатний автоматично видаляти штрафи та покарання або повідомляти влади у разі справді небезпечних інцидентів з водінням. Однак винахідники визнають, що вона може бути використана як «корова, яка дає молоко» для муніципалітетів, які шукають додатковий дохід.

Неда Масуд, асистент професора кафедри цивільного та екологічного інженерного будівництва Університету Мічигану, сказав The Academic Times, що «Хибні 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 хибних звинувачень в агресивному водінні».

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

Перехрестки — високий ризик

Патент Мічигану займається безрозважною поведінкою на перехрестках, оскільки вони є місцем дорожніх інцидентів та порушень, тоді як попередні китайські дослідження в цьому напрямку використовували аналіз векторної машини (SVM) для ідентифікації подій у дорозі, таких як небезпечне зміну смуги. Інша китайська дослідницька ініціатива використала датчики смартфонів для виявлення нетипової поведінки під час руху.

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