利用地理性随机森林探讨自动驾驶出租车的崩溃严重性与城市环境
机器学习
2025-08-05 v2 机器人学
摘要
本文定量研究了自动驾驶车辆（AVs）的崩溃严重性，采用空间局部化的机器学习方法和城市建成环境的宏观衡量指标。我们不仅关注单个基础设施元素的微观效应，更聚焦于城市尺度的土地利用和行为模式，同时处理空间异质性和空间自相关问题。我们在加州自动驾驶碰撞数据集上实现了称为地理性随机森林（Geographical Random Forest, GRF）的空间局部化机器学习技术。通过分析多项城市衡量指标，包括热点地点、建筑轮廓和土地利用类型，我们构建了GRF模型，并将其可视化为旧金山的崩溃严重性风险图。本文提出了三个发现：首先，空间局部化的机器学习在预测AV崩溃严重性方面优于常规机器学习。当我们调整局地化权重超参数时，偏差-方差权衡现象显而易见。其次，土地利用是最重要的预测因子，相较于交叉口、建筑轮廓、公共交通车站和热点地点（Points Of Interest, POI）。第三，自动驾驶出租车在城市中心区域的崩溃更可能导致低严重性事件，而住宅区则更可能导致高严重性事件。由于人类行为和较少的限制性环境，住宅土地利用可能与更高的崩溃严重性相关。当 robotaxi 运营商训练其AV系统时，建议：（1）考虑其车队的运营区域，为感知系统制定局部化算法；（2）设计针对住宅区的安全措施，如降低驾驶速度和使用更敏感的传感器。
引用
@article{arxiv.2505.06762,
title = {Investigating Robotaxi Crash Severity with Geographical Random Forest and the Urban Environment},
author = {Junfeng Jiao and Seung Gyu Baik and Seung Jun Choi and Yiming Xu},
journal= {arXiv preprint arXiv:2505.06762},
year = {2025}
}