DOI: 10.17586/2226-1494-2020-20-2-301-305


УДК004.89

ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОБНАРУЖЕНИЯ АВАРИЙНО-ОПАСНЫХ СИТУАЦИЙ НА ДОРОГАХ

Зикратова Т.В., Зикратов И.А.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:

Зикратова Т.В., Зикратов И.А. Применение нейронной сети для обнаружения аварийно-опасных ситуаций на дорогах // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 2. С. 301–305. doi: 10.17586/2226-1494-2020-20-2-301-305



Аннотация
Предмет исследования. Рассмотрена задача обнаружения и прогнозирования возникновения аварийных ситуа- ций на дорогах с использованием нейронной сети. В качестве объекта анализа исследован процесс обгона одного автомобиля другим с выездом на полосу встречного движения. Показана потенциальная возможность снижения аварийности при выполнении обгона за счет интеллектуальной оценки динамики развития дорожной обстановки. Метод. Предложено использовать двухклассовый классификатор, основанный на нейронной сети. Объектами классификации являются дорожные ситуации, возникающие при обгоне с выездом на полосу встречного движения, информация о которых передается на вход нейросети в виде набора кадров — графического представ- ления дискретных состояний системы «группа транспортных средств — участок дороги». Предполагается, что формирование кадров будет осуществляться в результате информационного взаимодействия между сенсорами и датчиками транспортных средств и дорожной инфраструктуры, развитие которой осуществляется в рамках парадигмы «умного города». Основные результаты. Результатом классификации является отнесение ситуации к одному из двух классов — «Опасная», если при обгоне высока вероятность столкновения транспортных средств, и «Безопасная» — в противном случае. Если ситуация оценивается как «Опасная», центральный процессор транспортного средства формирует соответствующее воздействие на элементы управления автомобилем для пре- дотвращения аварии. Получены результаты моделирования ситуации, реализованного на открытой программной библиотеке для машинного обучения TensorFlow, которые показали высокую (0,96) точность прогнозирования на искусственном наборе данных. Практическая значимость. Результаты работы могут быть использованы в перспективных беспилотных и пилотируемых транспортных средствах, имеющими радиосвязь с элементами дорожной инфраструктуры в рамках концепции «умный город» для предотвращения дорожно-транспортных происшествий в результате выполнения опасного обгона.

Ключевые слова: прогнозирование, обнаружение, моделирование, байесовский классификатор, нейронные сети, безопасность, беспилотные транспортные средства

Список литературы
  1. Carlino D., Boyles S.D., Stone P. Auction-based autonomous intersection management // Proc. 16th International IEEE Intelligent Transportation Systems: Intelligent Transportation Systems for All Modes (ITSC 2013). 2013. P. 529–534. doi: 10.1109/ITSC.2013.6728285
  2. Ho C., Reed N., Spence C. Multisensory in-car warning signals for collision avoidance // Human Factors: The Journal of the Human Factors and Ergonomics Society. 2007. V. 49. N 6. P. 1107–1114. doi: 10.1518/001872007X249965
  3. Au T., Zhang S., Stone P. Autonomous intersection management for semi-autonomous vehicles // The Routledge Handbook of Transportation. Routledge, Taylor&Francis Group. 2016. P. 88–104.
  4. Zohdy I.H., Kamalanathsharma R.K., Rakha H. Intersection management for autonomous vehicles using iCACC // Proc. 15th International IEEE Conference on Intelligent Transportation Systems (ITSC 2012). 2012. P. 1109–1114. doi: 10.1109/ITSC.2012.6338827
  5. Hallé S., Chaib-draa B. A collaborative driving system based on multiagent modelling and simulations // Transportation Research Part C: Emerging Technologies. 2005. V. 13. N 4. P. 320–345. doi: 10.1016/j.trc.2005.07.004
  6. Cremer M., Ludwig J. A fast simulation model for traffic flow on the basis of Boolean operations // Mathematics and Computers in Simulation. 1986. V. 28. N 4. P. 297–303. doi: 10.1016/0378-4754(86)90051-0
  7. Alvarez I., Poznyak A., Malo A. Urban traffic control problem via a game theory application // Proc. 46th IEEE Conference on Decision and Control (CDC 2007). 2007. P. 2957–2961. doi: 10.1109/CDC.2007.4434820
  8. Зикратов И.А., Викснин И.И., Зикратова Т.В. Оптимизация проезда опасных участков дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 1. С. 155–165. doi: 10.17586/2226-1494-2019-19-1-155-165
  9. Юзаева А.Г., Кукарцев В.В. Беспилотные автомобили: опасности и перспективы развития // Актуальные проблемы авиации и космонавтики. 2016. Т. 2. № 12. С. 120–122.
  10. Dai J., Li Y., He K., Sun J. R-FCN: Object detection via region-based fully convolutional networks // Proc. 30th Annual Conference on Neural Information Processing Systems (NIPS 2016). 2016. P. 379–387.
  11. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection // Proc. 29th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016). 2016. P. 779–788. doi: 10.1109/CVPR.2016.91
  12. Ахмадинуров М.М., Завалищин Д.С., Тимофеева Г.А. Математические модели управления транспортными потоками: монография. Екатеринбург: Изд-во УрГУПС, 2011. 120 с.
  13. Зикратов И.А., Викснин И.И., Зикратова Т.В. Мультиагентное планирование проезда перекрестка дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 5. С. 839–849. doi: 10.17586/2226-1494-2016-16-5-839-849
  14. Witten I.H., Frank E., Hall M.A. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. Elsevier, 2011. 664 p.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2020 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика