[論文レビュー] AI on the Road: A Comprehensive Analysis of Traffic Accidents and Accident Detection System in Smart Cities

Victor Adewopo, Nelly Elsayed+4 more|arXiv (Cornell University)|Jul 22, 2023

Traffic Prediction and Management TechniquesEngineering被引用数 3

ひとこと要約

本論文は、交通監視カメラと行動認識を活用したAI駆動の事故検出フレームワークを提案し、リアルタイムで交通事故を自動検出することで、緊急対応時間を短縮し、スマートシティにおける道路安全を向上させることを目的としている。このシステムは緊急サービスと統合されており、機械学習を活用することで対応効率を向上させ、事故の深刻度を軽減する。

ABSTRACT

Accident detection and traffic analysis is a critical component of smart city and autonomous transportation systems that can reduce accident frequency, severity and improve overall traffic management. This paper presents a comprehensive analysis of traffic accidents in different regions across the United States using data from the National Highway Traffic Safety Administration (NHTSA) Crash Report Sampling System (CRSS). To address the challenges of accident detection and traffic analysis, this paper proposes a framework that uses traffic surveillance cameras and action recognition systems to detect and respond to traffic accidents spontaneously. Integrating the proposed framework with emergency services will harness the power of traffic cameras and machine learning algorithms to create an efficient solution for responding to traffic accidents and reducing human errors. Advanced intelligence technologies, such as the proposed accident detection systems in smart cities, will improve traffic management and traffic accident severity. Overall, this study provides valuable insights into traffic accidents in the US and presents a practical solution to enhance the safety and efficiency of transportation systems.

研究の動機と目的

• 2016年から2020年のNHTSA CRSSデータを用いて、米国各地域における交通事故のパターンを分析すること。
• 時間帯、天候、照明状態、交差点の種別などの要因を含め、事故の主な集中地域とその要因を特定すること。
• 現在の事故検出システムの限界を克服するため、AIと監視インfraを活用したスケーラブルでリアルタイムのフレームワークを提案すること。
• 自動検出と緊急サービスとの統合を通じて、対応時間を短縮し、緊急対応の連携を向上させること。
• 行動認識が交通事故検出の速度と正確性をどのように向上させるかを評価し、人的ミスの低減を図ること。

提案手法

• フレームワークは、事故検出のためのリアルタイム動画ストリームを取得するため、交通監視カメラを活用する。
• 行動認識モデルを適用し、動画データから異常な運転行動や衝突イベントを同定する。
• 空間的および時間的依存関係を交通パターンにモデル化するために、DSTGCNアーキテクチャを活用し、検出精度を向上させる。
• 事故検出時に自動的に救助要員や警察にアラートを発信することで、緊急サービスと統合する。
• エッジAIおよびIoT技術を活用してデータを処理し、低遅延でリアルタイム分析を実現する。
• 実世界の交通データ（NHTSA CRSS）を用いてトレーニングおよび検証を行い、実都市交通状況に即した妥当性を確保する。

Figure 1: Hourly Trend of Accident (2016-2020).

実験結果

リサーチクエスチョン

• RQ1 2016年から2020年の米国における交通事故の主な時間的・空間的パターンは何か？
• RQ2 天候や照明状態などの環境要因は、事故の頻度と深刻度にどのように影響するか？
• RQ3 従来の方法と比較して、動画ストリームにおける行動認識は、事故検出のスピードと正確性をどの程度向上させるか？
• RQ4 AIベースの検出を緊急サービスと統合することで、対応時間を短縮し、結果を改善するメカニズムは何か？
• RQ5 スマートシティにスケーラブルでリアルタイムの事故検出システムを導入するにあたり、主な課題は何か？

主な発見

• 2016年から2020年にかけて、事故頻度が著しく増加しており、特に早朝および夜遅くの時間帯に顕著なピークが観察された。
• T字交差点および四方向交差点では事故発生率が高く、特に照明不良や悪天候下で顕著であった。
• 歩行者や自転車利用者を含む非自動車利用者の事故件数が増加しており、安全性の懸念が高まっている。
• アルコール関連の死亡事故は依然として重傷および死亡事故の主要因であり、標的介入の必要性を示している。
• 提案された行動認識ベースのフレームワークは、リアルタイムでの事故検出が可能であり、人的報告に比べて対応時間を顕著に短縮した。
• 緊急サービスとの統合により、迅速な出動と連携が可能となり、事故発生から医療対応までの時間が短縮された。

Figure 2: Number of Non-Motorist involved in Car Crash (2016-2020).