面向交通事故分析的高级辅助：基于多智能体的 AI 方法进行事前碰撞重建

交通碰撞重建传统上依赖人类专家知识，虽然准确，但事前碰撞重建更具挑战性。本研究开发了多智能体 AI 框架，用于从碎片化碰撞数据中重建事前场景并推断车辆行为。我们提出了包含重建与推理两个阶段的协作框架。系统处理来自 Crash Investigation Sampling System (CISS, 2017-2022) 的 277 起尾随车减速 (LVD) 碰撞案例，整合叙述报告、结构化表格变量和场景示意图。阶段 I 从多模态输入生成自然语言碰撞重建。阶段 II 将这些重建结果与事件数据记录器 (EDR) 信号结合，用于（1）识别 Striking 和被撞车辆，（2）隔离与碰撞时刻最相关的 EDR 记录，从而推断关键事前行为。为验证， 我们评估了所有 LVD 案例，重点关注 39 起复杂碰撞案例——每起碰撞包含多个 EDR 记录，因数据缺失或冲突导致信息模糊。 ground truth 由两个独立的人工标注员达成共识，仅用于标记潜在冲突供复核。该框架在 4155 次试验中实现 100% 准确率；三个推理模型产生相同输出，表明性能由结构化提示驱动而非模型选择决定。无需重建培训的研究分析师在相同 39 起复杂案例中达到 92.31% 的准确率。消融测试显示，移除结构化推理锚点后，案例级准确率从 99.7% 降至 96.5%，且在多个输出维度上的错误率显著增加。系统在输入不完整时仍保持稳健。该零样本评估无需特定领域训练或微调，表明其为 AI 辅助事前碰撞分析提供可扩展方法。