边缘辅助且基于 ML 的不确定性感知车辆碰撞避免：城市交叉口场景
机器学习
2024-04-24 v1
摘要
交叉口穿越是道路基础设施中最危险的路段之一，而联网车辆 可以作为该问题的一项革命性解决方案。在本工作中，我们提出了一个新颖的框架，利用 5G 网络的多接入边缘计算 平台，在城市交叉路口先发制人地检测碰撞。在 MEC 处，交叉口管理器 从车辆和道路基础设施收集信息，以创建感兴趣区域的全局视图。基于收集到的历史数据，IM 利用编码器-解码器循环神经网络的能力，高精度地预测未来车辆轨迹。然而，由于准确率不足以衡量我们对模型的信任程度，轨迹预测还与不确定性度量相关联，以实现可靠的碰撞预测与避免。因此，与现有技术中的任何其他方法不同，我们开发了一个不确定性感知的碰撞预测框架，该框架被证明能够提前（且高可靠性地）检测到两辆车是否处于碰撞航向上。随后，碰撞检测触发一系列警报，向处于碰撞航向上的车辆发出制动信号。在真实世界环境下，得益于所提方法的先发制人能力，所有模拟的迫在眉睫的危险均被避免。
引用
@article{arxiv.2404.14523,
title = {Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections},
author = {Dinesh Cyril Selvaraj and Christian Vitale and Tania Panayiotou and Panayiotis Kolios and Carla Fabiana Chiasserini and Georgios Ellinas},
journal= {arXiv preprint arXiv:2404.14523},
year = {2024}
}
备注
Accepted in IEEE Transactions on Intelligent Vehicles