Contenu
Assurer la sécurité de conduite et prévenir les accidents restent des priorités majeures dans le domaine des transports. Les systèmes traditionnels de surveillance de la sécurité, y compris les systèmes avancés d'assistance à la conduite (ADAS) embarqués dans les véhicules et la vidéosurveillance routière, ne parviennent souvent pas à offrir une couverture complète ou des alertes en temps utile. Ces systèmes rencontrent des défis tels qu'une portée spatiale et temporelle limitée, une précision moindre et des retards dans la transmission des données. Ces insuffisances peuvent entraîner des avertissements tardifs de danger, ce qui est critique dans des scénarios comme les sorties de voie ou les collisions potentielles. De plus, ces méthodes existantes manquent de flexibilité lorsqu'il s'agit de s'adapter aux différents niveaux de véhicules connectés et automatisés (CAV) circulant ensemble sur les routes.\n\nPour résoudre ces problèmes, une collaboration de recherche entre l'Université Tsinghua et Nebula Link Technology Co., Ltd. a développé un nouveau cadre de surveillance et d'avertissement de sécurité exploitant le calcul en périphérie basé sur V2X. Ce système repose sur une architecture coopérative véhicule-infrastructure qui collecte des données en temps réel des CAV via des canaux de communication Vehicle-to-Everything (V2X), incluant Vehicle-to-Vehicle (V2V) et Vehicle-to-Infrastructure (V2I). Les données acquises sont ensuite traitées aux nœuds de calcul en périphérie, plus proches de la source des données, garantissant une analyse et une réponse plus rapides.\n\nLe cadre comprend quatre composants clés. Premièrement, les données des véhicules et des cartes sont stockées efficacement à l'aide d'une structure de données CD-DB intégrant des listes à sauts et des listes chaînées, facilitant une récupération et des mises à jour rapides des données. Deuxièmement, la prédiction de trajectoire utilise trois algorithmes distincts adaptés à différents niveaux de maturité des CAV : extrapolation de courbe de Bézier pour les CAV de bas niveau avec des données rares, un modèle multi-modal basé sur l'attention pour les CAV de bas niveau avec des schémas de mouvement plus riches, et l'utilisation directe des trajectoires auto-prédites des CAV de haut niveau. Troisièmement, la détection d'accidents est réalisée via un algorithme d'intersection de lignes capable d'évaluer les collisions entre objets en mouvement et statiques. Enfin, le système déclenche des avertissements dynamiques basés sur les niveaux de confiance des trajectoires prédites et des jugements basés sur des seuils, assurant des alertes en temps opportun adaptées aux risques imminents.\n\nUne validation approfondie de ce système a été effectuée en utilisant le jeu de données Interaction, qui comprend des scénarios de trafic complexes tels que les fusions de bretelles et les intersections urbaines, ainsi que des essais réels sur le terrain d'essai de Shunyi à Pékin. Ces évaluations ont révélé que le cadre proposé maintient un taux de vrais positifs (TPR) supérieur à 80 % malgré des erreurs de mesure acceptables et peut tolérer des retards de transmission allant jusqu'à 0,1 seconde sans dégradation significative des performances. Notamment, dans les avertissements de collision dynamiques dans les scénarios d'intersection, les CAV équipés de ce système ont atteint un TPR de 100 %, dépassant les taux de 85-90 % observés dans les systèmes conventionnels à véhicule unique.\n\nEn résumé, la recherche offre une approche robuste et adaptative pour une surveillance complète de la sécurité de conduite dans des environnements de trafic mixtes, répondant aux limites des méthodes antérieures. En combinant la communication V2X en temps réel avec le calcul en périphérie et des algorithmes prédictifs avancés, le cadre améliore la détection des dangers et l'efficacité des avertissements, contribuant ainsi à des routes plus sûres à mesure que l'adoption des CAV continue de croître.
