| 书 名 | 应用人工智能分析技术探勘高风险路段(1/4)-驾驶行为模式研析及车外异常事件影像辨识技术发展 |
| 出版单位 | 运输科技及资讯组 |
| 出版年份 | 111 |
| 出版月份 | 6 |
| 价格 | 550 |
| 摘要 | 过去由于鲜少蒐集驾驶过程的资料，在肇因判断上多以事故发生当下的近因为主，然近因并不一定为肇事主因，仅预防近因也未必能有效预防肇事。本计画之目标在将目前以事故资料为基础的道路交通安全管理程序，提升为以事故资料、异常事件以及驾驶行为为基础的道路交通安全管理程序。本计画为四年期计画之第一年计画，以车外影像分析为主；主要工作内容在应用影像辨识技术，借由车外行车影像资料分析筛选异常事件，并据以找出可能造成事件及提高事故风险的高风险驾驶行为。 本期计画首先访谈财团法人车辆安全审验中心及九家客货运业者与设备商，同时以问卷调查25 家国内客运业者，了解先进驾驶辅助系统(ADAS)之法规趋势，以及业者对ADAS 设备之应用现况与需求。接着透过事故分析与文献回顾，定义未保持安全距离、车道偏移、过弯或匝道车速过快等三大类国道客运常见异常事件；各类事件并依各种可能发生情境，衍生成数个事件发生序列与子序列，同时依照事件发生当下之危险程度、与前车相对距离以及驾驶人因应动作等三个准则，定义异常事件之三个风险等级：不为异常、可能异常、异常。 本计画接着发展车外影像辨识分析架构，横向以车道、纵向以20 公尺为单位，以本车为核心划分出行车动态12 宫格，并发展每一宫格之影像辨识指标，例如该格位车辆与本车相对距离、该格位是否有大车等。透过Canny 边缘检测、Cascade Mask R-CNN、YOLO (You Only Look Once)等算法的发展，进行实际影像的辨识训练。透过近两万帧影像真值的比对，本计画发展之影像辨识算法，在各宫格各指标之辨识正确率可达九成或以上；但在匝道、该格位有三台车或以上、雨天以及本车低速行驶下，正确率可能下降至六到八成。 经分析本计画蒐集国内某客运业200 趟次行车资料、2,531 个警示事件，其中仅有102 件(约4%)的警示事件为异常事件；若客运业者单纯以ADAS 设备警示，做为行车即时警示或事后驾驶教育训练之参考，恐存在伪阳性过高的情况。经XGBoost 分析发现，以影像为主之异常事件预测召回(recall)率与以ADAS 为主之异常事件预测召回率相仿，可见本研究提出之12 宫格架构，的确可有效分析国道客运行车动态异常。若将ADAS 及影像资料同时纳入预测模式，可进一步提高异常事件之预测准确度。另经由时 空分析结果发现，内侧路肩窄、直线段未保安距警示较多，事故亦较多；驾驶资历丰富即使发生异常事件，其严重程度相对较轻，但72 小时内排班越多，若发生异常事件的严重度则可能较为严重。 |
| 张贴日 | 2022/06/30 |
| 档案下载 | 应用人工智能分析技术探勘高风险路段(1-4) —驾驶行为模式研析及车外异常事件影像辨识技术发展.pdf |
| Hashtags |
查看次数:
16