通过机器学习和边缘计算检测“积极驾驶”

一项新的专利申请已经提交，提出了一种创新方法来遏制交叉路口的激进驾驶行为。该系统利用集成在市政边缘计算设备中的机器学习算法，标志着从传统的专注于保险分析的车内系统转向更面向市政的解决方案。这一提议不仅旨在惩罚偏离安全驾驶规范的司机，还为他们提供即时的车内视听警告以纠正其行为。

该专利于2021年4月29日在美国专利商标局提交，是密歇根大学董事会与丰田子公司Denso Corporation的合作成果。与专注于保险监控的专有系统不同，该系统利用部署在交通路口的资源充足的边缘计算节点。这些节点从路侧资源和附近车辆的传感器中收集数据，为司机提供实时、可操作的反馈。

*密歇根大学专利并非专有的车内系统，旨在进行保险监督，也不是仅为生成取证数据而设计，而是依赖于部署在交通路口的资源充足的边缘计算节点，通过整合路侧边缘计算资源和附近车辆安装的传感器数据，提供即时且可操作的反馈。* 来源：https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

拟议的系统不仅仅依赖于市政基础设施；它还需要车内技术，将汽车转变为网络中的主动传感器。这意味着每辆配备该系统的汽车都成为交通监控的节点，同时也受到相同的审查。车内设置需要直接访问车辆的刹车、油门、方向盘、里程表和地图数据。路侧和车内组件均配备支持CUDA的GPU和本地存储，以及云连接功能。

对激进司机的警告

当系统检测到激进驾驶行为时，它可以通过车辆的视听设备立即发出警告。例如，可能会显示如图8A所示的消息，敦促司机减速。此外，系统还可以警告司机关于他们的速度或迎面而来的车辆。

*专利申请中描述的警告。* 来源：https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

在某些情况下，系统可能使用任何可用的视听设备，包括司机的智能手机，发出警告。

针对特定司机的红灯

交通灯管理是减少事故的已知方法，但该系统更进一步，可能会根据个别司机的行为调整灯光时序。专利建议，如果系统预测到某个交叉路口存在激进驾驶行为，它可以预先将后续交叉路口的信号灯变为红灯，鼓励司机减速。

对司机隐私的影响

虽然过去的车内监控系统提案主要关注生物识别指标和情绪识别以影响司机行为，通常与保险费或事故调查相关，但密歇根/Denso的提案倾向于通过车辆标准的改变与州政府合作。在州际实施这样的系统存在挑战，表明需要联邦或至少协调的州行动。

*系统提议的机器学习架构图，使用循环神经网络（RNN）。该框架使用无监督学习并提供实时反馈，同时也为离线训练提供支持，以根据传入数据和事件改进算法。激进驾驶行为的识别通过动态时间规整（DTW）算法实现，该算法用于时间序列分析，比较可能在速度上变化的两个时间序列或对象序列。*

收入来源

该系统可能是第一个在市政框架内提供激进驾驶实时分析的系统，能够自动开出罚单或通知当局。然而，有人担心急于创收的市政当局可能会滥用该系统。密歇根大学助理教授Neda Masoud强调了安全性优先于错误警报的重要性，但也强调需要建立机制，让司机能够对错误指控提出质疑。

该系统设计能够处理来自没有车载单元的车辆的激进驾驶事件，通过观察附近配备的车辆和交叉路口设施。这可能涉及其他方法，如车牌识别，尽管专利未明确提及。

交叉路口：高风险区域

密歇根专利聚焦于交叉路口是战略性的，因为这些区域是交通事故的热点。这与之前的研究一致，例如中国使用支持向量机检测危险车道变更或使用智能手机传感器识别不稳定驾驶。美国国家公路交通安全管理局2010年估计，2008年美国40%的事故发生在交叉路口，凸显了此类举措的相关性。