基于CAN总线信号的卡车超车检测：机器学习方法比较研究
计算机视觉与模式识别
2025-07-02 v1
摘要
卡车的安全超车 maneuver 对防止事故和确保交通流畅性至关重要。准确预测此类maneuver对于Advanced Driver Assistance Systems（ADAS）作出及时且明智的决策至关重要。本研究聚焦于基于控制区域网络（CAN）总线数据进行超车检测，数据来源于来自沃尔沃集团的5辆在役卡车。我们评估了三种常见的车辆动作检测分类器：人工神经网络（ANN）、随机森林（RF）和支持向量机（SVM），并分析了不同预处理配置对性能的影响。我们发现，交通条件的差异性对信号模式具有显著影响，尤其是在无超车类别中，这种影响若训练数据缺乏足够的多样性，将显著影响分类性能。由于数据是在不受约束的真实世界条件下收集的，无法事先保证类别的多样性。然而，使用来自多辆车辆的数据进行训练可提高泛化性，降低条件特定的偏差。我们的逐车分析也表明，分类准确率（尤其是对超车的检测）取决于每辆车的训练数据量。为解决此问题，我们应用了得分级别的融合策略，该策略在大多数情况下可实现最佳的逐车性能。总体而言，我们通过融合实现了TNR=93%（真阴性率）和TPR=86.5%（真阳性率）的分类准确率。该研究是BIG FUN项目的一部分，该项目探索如何将人工智能应用于车辆日志数据，以理解和预测驾驶员行为，特别是针对正在被引入作为传统外部镜头的数字替换品的摄像监控系统(CMS)。
引用
@article{arxiv.2507.00593,
title = {Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods},
author = {Fernando Alonso-Fernandez and Talha Hanif Butt and Prayag Tiwari},
journal= {arXiv preprint arXiv:2507.00593},
year = {2025}
}
备注
Under review at ESWA