通过机器学习和边缘计算检测“积极驾驶”

已提交了一项新的专利申请，该申请引入了一种创新的方法来遏制交叉路口的侵略性驾驶。该系统利用集成到Civic Edge计算设备中的机器学习算法标志着从典型的关注用于保险分析的车内系统转向更面向市政的解决方案。该提案不仅旨在惩罚偏离安全驾驶规范的驾驶员，还旨在向他们提供直接的视听警告以纠正其行为。

该专利于2021年4月29日在美国专利商标办公室提交，是密歇根大学董事会与丰田公司的子公司Denso Corporation之间的合作努力。与专注于保险监控的专有系统不同，该系统利用流量连接处的资源良好的边缘计算节点。这些节点从路边资源和附近车辆中的传感器中收集数据，以向驾驶员提供实时可行的反馈。

* Umich专利不是专有旨在保险监督的专有的车内系统，也不是仅旨在生产法医数据，而是依赖于资源丰富的边缘计算计算节点部署在交通交叉点上的直接和可行的反馈来提供直接可行的反馈，通过从路边的计算资源和附近的传感器中整理出来的数据。 https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

拟议的系统不仅依赖公民基础设施；它还需要采用车载技术，将汽车转变为网络内的主动传感器。这意味着每个配备系统的汽车都成为交通监控的节点，同时也受到同样的审查。车内设置需要从车辆的制动器，油门，方向盘，里程表和地图直接访问数据。路边和车载组件都具有启用CUDA的GPU和本地存储，以及云连接。

警告积极进取的司机

当系统检测到激进的驾驶时，它可以通过车辆的视听设备发出立即警告。例如，像图中所示的消息一样。可能显示8a，敦促驾驶员放慢脚步。此外，该系统可以提醒驾驶员的速度或迎面型车辆。

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

在某些情况下，该系统可能会使用任何可用的视听设备，包括驾驶员的智能手机发出警告。

特定于驾驶员的红灯

交通信号灯管理是一种可减少事故的已知方法，但是该系统通过根据个人驾驶员行为来可能调整灯正时，将其进一步发展。该专利表明，如果系统预测在一个交叉路口进行积极的驾驶，则可以在随后的十字路口中先发出灯光为红色，从而鼓励驾驶员放慢速度。

进入驾驶员隐私

尽管过去对车内监控系统的建议集中在生物识别指标和情绪认识上以影响驾驶员行为，这通常与保险费或事故调查有关，但密歇根州/丹森的建议通过车辆标准的变化来倾向于州协作。跨州线实施这样的系统提出了挑战，这表明需要联邦或至少协调的州行动。

*使用经常性神经网络（RNN），针对系统提出的机器学习体系结构的说明。该框架使用无监督的学习并提供实时反馈，但也为离线培训提供了基于传入数据和事件的算法的准备。动态时间扭曲（DTW）促进了攻击性驾驶行为的识别，这是一种时间序列分析中使用的算法，用于比较可能会变化的两个时间序列或对象序列。******************************

收入流

该系统可能是第一个在能够自动发行罚款或提醒当局的公民框架内实时分析积极驾驶的人。但是，人们担心这可能会被渴望收入的市政当局滥用。密歇根大学的助理教授Neda Masoud强调了安全性与虚假警报的重要性，但强调需要机制以允许驾驶员挑战错误指控。

该系统旨在通过观察附近配备的车辆和交叉装置来处理攻击性驾驶活动。这可能涉及其他方法，例如车牌识别，尽管专利没有明确提及这一点。

交叉点：高风险

鉴于这些地区是交通事故的热点，关注密歇根州专利的交叉点是战略性的。这与先前的研究相吻合，例如使用支持向量机的中国研究来检测危险的车道变化或智能手机传感器以识别不稳定的驾驶。美国国家公路交通安全管理局2010年的估计，2008年美国事故的40％发生在交叉路口，这突显了此类举措的相关性。