تحلیل رفتار و مدل‌سازی کاربران ترافیکی ۲۰۲۲
Behavior Analysis and Modeling of Traffic Participants 2022

شرکت‌کننده در ترافیک جاده‌ای، شخصی است که مستقیماً در ترافیک جاده‌ای مشارکت دارد، مانند رانندگان وسایل نقلیه، مسافران، عابران پیاده یا دوچرخه‌سواران. با این حال، حوادث ترافیکی منجر به خسارات مالی فراوان، آسیب‌های جسمی و حتی مرگ آن‌ها می‌شود. برای کاهش نرخ تلفات جاده‌ای، توسعه‌ی وسیله‌ی نقلیه‌ی هوشمند امروزه یک فناوری بسیار ارزشمند است. اگر بتوان مقاصد و مسیرهای آینده‌ی عابران پیاده و همچنین وسایل نقلیه‌ی اطراف را پیش‌بینی کرد، این امر برای تصمیم‌گیری و برنامه‌ریزی یک وسیله‌ی نقلیه از اهمیت بالایی برخوردار است، همه در تلاش برای افزایش ایمنی رانندگی. بر اساس توالی تصاویر جمع‌آوری‌شده توسط دوربین‌های تک‌چشمی نصب‌شده در خودرو، ما از شبکه‌ی مبتنی بر حافظه‌ی بلندمدت کوتاه‌مدت (LSTM) با یک مکانیزم توجه بهبودیافته برای تحقق پیش‌بینی قصد و مسیر عابران پیاده و وسایل نقلیه‌ی اطراف استفاده می‌کنیم. با این حال، اگرچه به نظر می‌رسد دوران رانندگی کاملاً خودکار هنوز دور است، رانندگان انسانی همچنان بخش مهمی از سیستم جاده – راننده – وسیله‌ی نقلیه در شرایط فعلی هستند، حتی در برخورد با سطوح پایین وسایل نقلیه‌ی رانندگی خودکار. با توجه به اینکه بیش از 90 درصد از تصادفات مرگبار رانندگی ناشی از خطای انسانی است، تشخیص وظیفه‌ی ثانویه در حین رانندگی و همچنین تشخیص سبک رانندگی برای توسعه‌ی یک سیستم کمک‌راننده‌ی پیشرفته (ADAS) یا وسیله‌ی نقلیه‌ی هوشمند شخصی‌سازی‌شده‌تر، معنادار است. ما از شبکه‌های کانولوشن گراف برای استدلال ویژگی‌های فضایی و از شبکه‌های LSTM با مکانیزم توجه برای یادگیری ویژگی‌های حرکت زمانی در توالی تصاویر استفاده می‌کنیم تا تشخیص وظیفه‌ی ثانویه‌ی رانندگی را محقق سازیم. علاوه بر این، رانندگان پرخاشگر بیشتر درگیر حوادث ترافیکی می‌شوند و سطح خطر رانندگی رانندگان می‌تواند تحت تأثیر بسیاری از عوامل بالقوه مانند جمعیت‌شناسی و ویژگی‌های شخصیتی قرار گیرد. بنابراین، ما بر طبقه‌بندی سبک رانندگی برای سناریوی طولی تعقیب خودرو تمرکز خواهیم کرد. همچنین، بر اساس مدل معادلات ساختاری (SEM) و پایگاه داده‌ی رانندگی طبیعی برنامه‌ی تحقیقاتی بزرگراهی راهبردی 2 (SHRP 2)، روابط بین ویژگی‌های جمعیت‌شناختی رانندگان، هیجان‌طلبی، درک خطر و رفتارهای پرخطر رانندگی به طور کامل مورد بحث قرار می‌گیرد. انتظار می‌رود نتایج و استنتاج‌های این کتاب کوتاه، راهنمایی و مزایای بالقوه‌ای را برای ارتقای توسعه‌ی فناوری وسیله‌ی نقلیه‌ی هوشمند و ایمنی رانندگی ارائه دهد.

A road traffic participant is a person who directly participates in road traffic, such as vehicle drivers, passengers, pedestrians, or cyclists, however, traffic accidents cause numerous property losses, bodily injuries, and even deaths to them. To bring down the rate of traffic fatalities, the development of the intelligent vehicle is a much-valued technology nowadays. It is of great significance to the decision making and planning of a vehicle if the pedestrians’ intentions and future trajectories, as well as those of surrounding vehicles, could be predicted, all in an effort to increase driving safety. Based on the image sequence collected by onboard monocular cameras, we use the Long Short-Term Memory (LSTM) based network with an enhanced attention mechanism to realize the intention and trajectory prediction of pedestrians and surrounding vehicles. However, although the fully automatic driving era still seems far away, human drivers are still a crucial part of the road‒driver‒vehicle system under current circumstances, even dealing with low levels of automatic driving vehicles. Considering that more than 90 percent of fatal traffic accidents were caused by human errors, thus it is meaningful to recognize the secondary task while driving, as well as the driving style recognition, to develop a more personalized advanced driver assistance system (ADAS) or intelligent vehicle. We use the graph convolutional networks for spatial feature reasoning and the LSTM networks with the attention mechanism for temporal motion feature learning within the image sequence to realize the driving secondary-task recognition. Moreover, aggressive drivers are more likely to be involved in traffic accidents, and the driving risk level of drivers could be affected by many potential factors, such as demographics and personality traits. Thus, we will focus on the driving style classification for the longitudinal car-following scenario. Also, based on the Structural Equation Model (SEM) andStrategic Highway Research Program 2 (SHRP 2) naturalistic driving database, the relationships among drivers’ demographic characteristics, sensation seeking, risk perception, and risky driving behaviors are fully discussed. Results and conclusions from this short book are expected to offer potential guidance and benefits for promoting the development of intelligent vehicle technology and driving safety.