应用 MambaAttention、TabPFN 和 TabTransformer 对碰撞事故中的 SAE 自动驾驶等级进行分类
机器学习
2025-06-05 v1
摘要
自动驾驶汽车(AV)的日益普及为碰撞分类和安全分析带来了新的挑战。准确识别每次碰撞中涉及的 SAE 自动驾驶等级，对于理解碰撞动力学和系统问责至关重要。然而，现有方法往往忽略了自动驾驶特定因素，且缺乏捕捉不同 SAE 等级之间差异的模型复杂度。为了填补这一空白，本研究评估了三种先进的表格深度学习模型 MambaAttention、TabPFN 和 TabTransformer 在使用德克萨斯州(2024年)结构化碰撞数据对 SAE 自动驾驶等级进行分类时的性能，该数据涵盖 4,649 起案例，分为辅助驾驶(SAE 1级)、部分自动驾驶(SAE 2级)和高级自动驾驶(SAE 3-5级合并)。使用 SMOTEENN 进行类别平衡后，模型在包含 7,300 条记录的统一数据集上进行了训练和评估。MambaAttention 展现出最高的整体性能(F1分数：SAE 1 为 88%，SAE 2 为 97%，SAE 3-5 为 99%)，而 TabPFN 在零样本推理中表现优异，对罕见碰撞类别具有很高的鲁棒性。相比之下，TabTransformer 表现不佳，特别是在检测部分自动驾驶碰撞时(F1分数：55%)，这表明在建模人机共享控制动力学方面存在挑战。这些结果突显了针对表格数据定制的深度学习模型在提升自动驾驶等级分类准确性和效率方面的能力。将此类模型整合到碰撞分析框架中，可以支持政策制定、AV 安全评估和监管决策，特别是在区分中高级自动驾驶技术的高风险条件方面。
引用
@article{arxiv.2506.03160,
title = {Applying MambaAttention, TabPFN, and TabTransformers to Classify SAE Automation Levels in Crashes},
author = {Shriyank Somvanshi and Anannya Ghosh Tusti and Mahmuda Sultana Mimi and Md Monzurul Islam and Sazzad Bin Bashar Polock and Anandi Dutta and Subasish Das},
journal= {arXiv preprint arXiv:2506.03160},
year = {2025}
}