ROAR：面向自动驾驶的鲁棒事故识别与预警
人工智能
2025-11-11 v1
摘要
精准的事故预警对于提升自动驾驶车辆的安全性至关重要。然而，现有方法往往假设条件理想，忽略了传感器故障、环境干扰和数据不完美等挑战，这些因素会显著降低预测准确率。此外，之前的模型未充分解决不同车辆类型中驾驶员行为和事故率之间的显著变异性问题。为克服这些局限性，本研究引入了ROAR—a一种新的事故检测与预测方法。ROAR结合了离散小波变换（DWT）、自适应感知对象模块和动态焦点损失，以解决上述挑战。DWT有效地从噪声和不完整数据中提取特征，而感知对象模块通过关注高风险车辆并建模交通主体之间的时空关系来提高事故预测效果。此外，动态焦点损失可减轻正负样本之间类别不平衡的影响。在三个广泛使用的数据集上进行评估——Dashcam Accident Dataset（DAD）、Car Crash Dataset（CCD）和AnAn Accident Detection（A3D），我们的模型在平均精度（AP）和平均事故时间（mTTA）等关键指标上 consistently 优于现有基线。这些结果表明，该模型在实际场景下具有鲁棒性，尤其擅长处理传感器降级、环境噪声和不平衡数据分布。本工作为在复杂交通环境中实现可靠且准确的事故预警提供了有前景的解决方案。
引用
@article{arxiv.2511.06226,
title = {ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving},
author = {Xingcheng Liu and Yanchen Guan and Haicheng Liao and Zhengbing He and Zhenning Li},
journal= {arXiv preprint arXiv:2511.06226},
year = {2025}
}
备注
Published to Accident Analysis and Prevention