[論文レビュー] A real-time warning system for rear-end collision based on random forest classifier

Fateme Teimouri, Mehdi Ghatee|arXiv (Cornell University)|Mar 29, 2018

Autonomous Vehicle Technology and Safety参考文献 28被引用数 10

ひとこと要約

本稿では、バージニア工科大学交通研究所のデータベースから得た車両の軌道データを分析するためのランダムフォレスト分類器を用いた、リアルタイムの追突衝突警告システムを提案する。このシステムは、警告状況の検出において88.4%の正確性を達成し、安全状況の検出では94.7%の正確性を示し、SVM、ナイーブベイズ、決定木などの複数のベースライン分類器と比較して、正確性と処理時間の両面で優れている。TOPSIS多基準手法を用いて評価された。

ABSTRACT

Rear-end collision warning system has a great role to enhance the driving safety. In this system some measures are used to estimate the dangers and the system warns drivers to be more cautious. The real-time processes should be executed in such system, to remain enough time and distance to avoid collision with the front vehicle. To this end, in this paper a new system is developed by using random forest classifier. To evaluate the performance of the proposed system, vehicles trajectory data of 100 car's database from Virginia tech transportation institute are used and the methods are compared based on their accuracy and their processing time. By using TOPSIS multi-criteria selection method, we show that the results of the implemented classifier is better than the results of different classifiers including Bayesian network, naive Bayes, MLP neural network, support vector machine, nearest neighbor, rule-based methods and decision tree. The presented experiments reveals that the random forest is an acceptable algorithm for the proposed driver assistant system with 88.4% accuracy for detecting warning situations and 94.7% for detecting safe situations.

研究の動機と目的

• 車両の軌道データを用いて、追突衝突リスクを予測するリアルタイムのドライバー支援システムを開発すること。
• 正確性と処理時間の観点から、ランダムフォレスト分類器と複数のベースライン機械学習モデルの性能を評価すること。
• 多基準意思決定（TOPSIS）を用いて、リアルタイム衝突警告システムに最も適した分類器を同定すること。
• 動的車両行動解析に基づく即時の警告を可能にすることで、運転の安全性を向上させること。
• バージニア工科大学交通研究所が公開するデータセットを用いて、システムの妥当性を検証すること。

提案手法

• 本システムは、バージニア工科大学交通研究所が収集した100台の車両の車両軌道データを入力特徴量として用いる。
• 主な特徴量には、衝突までの時間（time-to-collision）、車間距離、相対速度、加速度が含まれ、これらは軌道データから抽出される。
• ランダムフォレスト分類器は、これらの特徴量に基づいて、運転状況を「警告」または「安全」と分類するように学習される。
• モデルはベイジアンネットワーク、ナイーブベイズ、MLPニューラルネットワーク、サポートベクターマシン、k近傍法、ルールベース手法、および決定木と比較される。
• 性能は正確性と処理時間で評価され、複数の基準にわたる分類器の順位付けにはTOPSISが用いられる。
• システムはリアルタイムでの展開を想定しており、低遅延の意思決定を保証する設計となっている。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレスト分類器は、車両の軌道データを用いてリアルタイムで追突衝突リスクをどの程度正確に検出できるか？
• RQ2 ランダムフォレスト分類器は、他の機械学習モデルと比較して、検出正確性と処理速度の両面でどのように差をつけるか？
• RQ3 リアルタイム衝突警告システムにおいて、正確性と計算効率の両立を最もよく果たす分類器は何か？
• RQ4 多基準意思決定（TOPSIS）は、ドライバー支援アプリケーションにおける機械学習モデルの順位付けに効果的に適用できるか？
• RQ5 提案されたシステムは、警告状況および安全状況の両方の検出において、どの程度の性能を示すか？

主な発見

• ランダムフォレスト分類器は、警告状況の検出において88.4%の正確性を達成し、比較評価において他のモデルを顕著に上回った。
• システムは、安全運転状況の検出において94.7%の正確性を示し、両方のリスク状態における優れた汎化性能を示した。
• TOPSIS手法を用いることで、ランダムフォレスト分類器は全評価モデルの中で最高順位にランク付けされ、正確性と処理時間の両面での優位性が裏付けられた。
• 提案されたシステムは低処理時間を達成しており、アクティブセーフティシステムにおけるリアルタイム展開に適していることが示された。
• ランダムフォレストモデルは、バージニア工科大学データセットにおける多様な走行シナリオにおいて、強固で一貫性のある性能を示した。
• 結果から、アンサンブル手法の一つであるランダムフォレストは、インテリジェント交通システムにおけるリアルタイムの追突衝突予測に非常に効果的であることが確認された。