Inhalt
Die Gewährleistung der Fahrsicherheit und die Verhinderung von Unfällen bleiben oberste Prioritäten im Verkehr. Traditionelle Sicherheitsüberwachungssysteme, einschließlich fahrzeugbasierter fortschrittlicher Fahrerassistenzsysteme (ADAS) und Videoüberwachung am Straßenrand, bieten oft keine umfassende Abdeckung oder rechtzeitige Warnungen. Diese Systeme stehen vor Herausforderungen wie begrenzter räumlicher und zeitlicher Reichweite, geringerer Genauigkeit und Verzögerungen bei der Datenübertragung. Solche Mängel können zu späten Gefahrenwarnungen führen, die in Szenarien wie Spurverlassen oder potenziellen Kollisionen kritisch sind. Darüber hinaus fehlt diesen bestehenden Methoden die Flexibilität, sich an die unterschiedlichen Stufen vernetzter und automatisierter Fahrzeuge (CAVs) anzupassen, die gemeinsam auf Straßen unterwegs sind.\n\nUm diese Probleme zu lösen, haben die Tsinghua-Universität und Nebula Link Technology Co., Ltd. gemeinsam einen neuartigen Sicherheitsüberwachungs- und Warnrahmen entwickelt, der auf V2X-basiertem Edge-Computing beruht. Dieses System basiert auf einer kooperativen Fahrzeug-Infrastruktur-Architektur, die Echtzeitdaten von CAVs über Vehicle-to-Everything (V2X)-Kommunikationskanäle sammelt, einschließlich Vehicle-to-Vehicle (V2V) und Vehicle-to-Infrastructure (V2I). Die erfassten Daten werden dann an Edge-Computing-Knoten, näher an der Datenquelle, verarbeitet, was eine schnellere Analyse und Reaktion gewährleistet.\n\nDer Rahmen umfasst vier Hauptkomponenten. Erstens werden Fahrzeug- und Kartendaten effizient mit einer CD-DB-Datenstruktur gespeichert, die Skip-Listen und verkettete Listen integriert, um eine schnelle Datenabfrage und -aktualisierung zu ermöglichen. Zweitens verwendet die Trajektorienvorhersage drei unterschiedliche Algorithmen, die auf verschiedene CAV-Reifegrade zugeschnitten sind: Bezier-Kurvenextrapolation für CAVs niedriger Stufe mit spärlichen Daten, ein auf Aufmerksamkeit basierendes multimodales Modell für CAVs niedriger Stufe mit reichhaltigeren Bewegungsmustern und die direkte Nutzung selbstvorhergesagter Trajektorien von CAVs hoher Stufe. Drittens erfolgt die Unfallerkennung durch einen Linien-Schnittpunkt-Algorithmus, der Kollisionen zwischen beweglichen und statischen Objekten bewerten kann. Schließlich löst das System dynamische Warnungen basierend auf den Vertrauensniveaus der vorhergesagten Trajektorien und schwellenwertbasierten Urteilen aus, um rechtzeitige Warnungen zu gewährleisten, die auf bevorstehende Risiken zugeschnitten sind.\n\nUmfangreiche Validierungen dieses Systems wurden mit dem Interaction-Datensatz durchgeführt, der komplexe Verkehrsszenarien wie Rampen-Zusammenführungen und städtische Kreuzungen umfasst, sowie mit realen Tests auf dem Testgelände Shunyi in Peking. Diese Bewertungen zeigten, dass der vorgeschlagene Rahmen eine True-Positive-Rate (TPR) von über 80 % trotz akzeptabler Messfehler aufrechterhält und Übertragungsverzögerungen von bis zu 0,1 Sekunden ohne signifikante Leistungseinbußen tolerieren kann. Bemerkenswert ist, dass bei dynamischen Kollisionswarnungen in Kreuzungsszenarien CAVs mit diesem System eine TPR von 100 % erreichten, was die 85-90 % bei herkömmlichen Einzelfahrzeugsystemen übertrifft.\n\nZusammenfassend bietet die Forschung einen robusten und adaptiven Ansatz für eine umfassende Fahrsicherheitsüberwachung in gemischten Verkehrsbedingungen und adressiert die Einschränkungen früherer Methoden. Durch die Kombination von Echtzeit-V2X-Kommunikation mit Edge-Computing und fortschrittlichen Vorhersagealgorithmen verbessert der Rahmen die Effizienz der Gefahrenerkennung und -warnung und trägt so zu sichereren Straßen bei, während die Verbreitung von CAVs weiter zunimmt.
