Fundamental Study on Risk Resilience Control for Autonomous Driving Based on Driving Environmental Risk Structuration

基于驾驶环境风险结构的自动驾驶风险抵御能力控制基础研究

• 批准号: 21K03977
• 负责人: ポンサトーン ラクシンチャラーン
• 金额: $ 2.66万
• 依托单位: Tokyo University of Agriculture and Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K03977/
• 关键词: モビリティ; 自動運転; リスク予測; 交通機械; 運動制御; 予防安全; 交通事故

交通事故の分析調査によって，日本における自転車関連の死傷事故は8割以上が自動車との事故であり，中でも出会い頭事故の割合が5割以上を占めていることがわかった．現在実用化された衝突被害軽減ブレーキでも，飛び出しを検知してからでは衝突を回避できないという課題が残る．そこで本研究では見通しの悪い交差点での自転車と自動車の出会い頭を対象にして，ビックデータの活用による潜在的な危険箇所の解消を目的とする．ビッグデータに基づいて走行シーンから自転車の飛び出しを予測するドライバモデルの構築を目標とした．2022年度では，ドライバモデルとしてニューラルネットワークを検討した．予測したいことの模範的な結果（目的変数）を出力層に，この模範解答の原因と考えられる情報（説明変数）を入力層に当てはめて，それらを結びつける隠れ層の最適な関数を算出することでニューラルネットワークを学習させる．未知な事象を予測する際は，この学習したニューラルネットワークに測定可能な説明変数を入力することで，得たい結果（目的変数）を予測することができる．　ここでは説明変数を交通環境文脈，　車両位置情報等を使って，　目的変数を減速度余裕ポテンシャル率としてモデリングを行った．構築したドライバモデルを検証した結果、安全かつ円滑な交通を実現する可能性を示した．したがって，2022年度で目標としているドライバの運転行動モデリングについて，ニューラルネットワークによってリスク度合いの予測が可能であるという研究成果が得られた．さらに安全速度を求める算出手法とデータの選別法も探究した．これは，見通し悪い場所の事故を未然に防ぐための自動運転の安全速度制御に重要な成果であり，交通安全向上効果に意義があると考えられる．

During the analysis and investigation of traffic accidents, there were more than 8 fatal and injury accidents related to motorcycles in Japan, and more than 5 fatal accidents related to motorcycles in China. Now we're going to use the conflict to reduce the number of victims, and we're going to fly out and find out about the conflict and avoid it. This study aims to find out the potential hazards of the intersection point between the automobile and the automobile. In 2022, we will discuss how to improve the quality of our products. The model result (objective number) of the prediction is calculated from the force layer, the reason for the model solution and the information (description number) of the input force layer, and the optimal relationship number of the input force layer is calculated from the model solution. When an unknown event is predicted, it is learned that it is possible to determine the number of inputs, and the result (target number) is predicted. The traffic environment, the vehicle position, etc. are explained in detail. The construction of the road test results, safety and traffic conditions to achieve the possibility of demonstration In 2022, the goal of the year was to achieve the results of the research. The method of calculating the safe speed is to explore the selection method. This is an important achievement in the prevention of accidents in traffic places and the control of safe speed of automatic transportation.

项目成果

Proactive Braking Control Design Based on Risk Assessment at Intersection Right-Turn

基于交叉口右转风险评估的主动制动控制设计

• 发表时间: 2022
• 作者: Yohei Fujinami;Pongsathorn Raksincharoensak
• 通讯作者: Pongsathorn Raksincharoensak

ヒヤリ経験のデータから駆動する 推奨速度ドライバモデルの構築に向けたデータ選別法の探究

探索数据选择方法，构建由险情经验数据驱动的推荐速度驾驶员模型

• 发表时间: 2022
• 作者: 齊藤裕一;伊藤誠;ポンサトーン・ラクシンチャラーンサク
• 通讯作者: ポンサトーン・ラクシンチャラーンサク

見通しの悪い交差点における推奨速度を決定するコンテキストアウェアドライバモデルの提案

提出情境感知驾驶员模型，以确定能见度较差的十字路口的建议速度

• 发表时间: 2021
• 作者: 齊藤 裕一;菅谷 文男;井上 慎太郎;Pongsathorn Raksincharoensak;井上 秀雄
• 通讯作者: 井上 秀雄

Motion Planning and Control Based on Risk Field for Risk Predictive Driving Assist System Design

基于风险场的运动规划与控制的风险预测驾驶辅助系统设计

• 发表时间: 2022
• 作者: Kaichi Fukano;Kazuma Iiazawa;Takuto Soeda;Aya Shirai;Genci Capi;Pongsathorn Raksincharoensak
• 通讯作者: Pongsathorn Raksincharoensak

Context-Sensitive Driver Model for Determining Recommended Speed in Intersection Driving Scenarios

用于确定十字路口驾驶场景中建议速度的上下文敏感驾驶员模型

• 发表时间: 2021
• 作者: Yuichi Saito;Fumio Sugaya;Shintaro Inoue;Pongsathorn Raksincharoensak;Hideo Inoue
• 通讯作者: Hideo Inoue