基于V2X边缘计算系统的CAV驾驶安全监测与预警 | Newswise

确保驾驶安全和防止事故仍然是交通运输中的首要任务。传统的安全监测系统，包括基于车辆的高级驾驶辅助系统（ADAS）和路边视频监控，往往无法提供全面覆盖或及时警报。这些系统面临空间和时间范围有限、准确性较低以及数据传输延迟等挑战。这些缺陷可能导致危险预警延迟，而这在车道偏离或潜在碰撞等场景中至关重要。此外，现有方法在适应道路上不同级别的联网和自动驾驶车辆（CAV）协同工作时缺乏灵活性。\n\n为解决这些问题，清华大学与星云联科技有限公司合作研发了一种基于V2X边缘计算的新型安全监测与预警框架。该系统依托协同的车-路架构，通过车联网（V2X）通信渠道，包括车对车（V2V）和车对基础设施（V2I），实时采集CAV数据。采集的数据在靠近数据源的边缘计算节点进行处理，确保更快的分析和响应。\n\n该框架包含四个关键组成部分。首先，车辆和地图数据通过集成跳表和链表的CD-DB数据结构高效存储，便于快速数据检索和更新。其次，轨迹预测采用三种针对不同CAV成熟度的算法：针对数据稀疏的低级CAV使用贝塞尔曲线外推，针对运动模式丰富的低级CAV采用基于注意力机制的多模态模型，高级CAV则直接利用其自预测轨迹。第三，事故检测通过线段相交算法实现，能够评估移动和静止物体间的碰撞。最后，系统基于预测轨迹的置信度和阈值判断触发动态预警，确保针对即将发生的风险及时发出警报。\n\n该系统通过Interaction数据集进行了广泛验证，涵盖匝道合流和城市交叉口等复杂交通场景，并在北京顺义测试场进行了实地试验。评估结果显示，尽管存在可接受的测量误差，框架的真正阳性率（TPR）保持在80%以上，且能容忍高达0.1秒的传输延迟而性能无显著下降。特别是在交叉口动态碰撞预警中，装备该系统的CAV实现了100%的TPR，优于传统单车系统的85-90%。\n\n总之，该研究为混合交通环境下的全面驾驶安全监测提供了稳健且自适应的方法，克服了以往方法的局限。通过结合实时V2X通信、边缘计算和先进预测算法，该框架提升了危险检测和预警效率，助力随着CAV普及道路安全的提升。