Detailergebnis zu DOK-Nr. 79879
Entwicklung und vergleichende Analyse fortschrittlicher Deep-Learning-Techniken für die Unfallvorhersage in fortschrittlichen Fahrunterstützungssystemen (Orig. engl.: Development and comparative analysis of advanced deep learning techniques for crash prediction in advanced driver support systems)
| Autoren |
O.A. Osman M. Hajij |
|---|---|
| Sachgebiete |
6.1 Verkehrserhebungen, Verkehrsmessungen 6.3 Verkehrssicherheit (Unfälle) 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 12, 2021, S. 730-740, 6 B, 2 T, 48 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Allein im Jahr 2019 forderten Kraftfahrzeugunfälle 38 800 Menschenleben und verursachten 4,4 Millionen Verletzungen. Studien haben gezeigt, dass 94 % dieser Unfälle auf Fahrfehler zurückzuführen sind. Ein solch großer Anteil von Fahrfehlern an Unfällen zeigt, dass die Bemühungen zur Verbesserung der Sicherheit sowohl auf Fahrzeuge als auch auf Fahrer durch fortschrittliche Fahrerassistenzsysteme (ADAS) und Fahrzeugtechnologien gerichtet sein sollten. Die Studie untersucht das Potenzial von Echtzeitdaten zum Fahrerverhalten, die mithilfe von Fahrzeugtechnologien gesammelt werden, um Unfälle vorherzusagen und sie so in erster Linie zu vermeiden. Es wurden drei Deep-Learning-Modelle entwickelt, darunter MLP-NN (Multilayer Perceptron Neural Networks), LSTMN (Long-Short-Term-Memory Networks) und CNN (Convolutional Neural Networks), die auf Zeitreihendaten der Fahrzeugkinematik basieren, die aus dem Datensatz der SHRP2 NDS (Second Strategic Highway Research Program Naturalistic Driving Study) stammen. Die Studie basiert auf der Hypothese, dass Unfällen Turbulenzen vorausgehen, die sich über einen längeren Zeitraum erstrecken (Turbulenzhorizont). Wenn diese Turbulenzen rechtzeitig erkannt werden, können sie helfen, Unfälle vorherzusagen und zu vermeiden. Es wurden mehrere Werte für den Turbulenzhorizont und den Vorhersagehorizont (Zeit vor dem Aufprall) getestet, um die optimalen Werte zu ermitteln. Die Ergebnisse zeigten, dass das CNN-Modell bei einem Turbulenzhorizont von 6 Sekunden alle Unfälle mit einer Genauigkeit von 100 % und ohne Fehlalarm 3 Sekunden vor dem Aufprall vorhersagen kann. Diese herausragende Leistung zeigt, dass das entwickelte Modell ein vielversprechendes Werkzeug für den Einsatz in ADAS ist.