交通安全相关 AI 资讯

7月20日

09:57

官方账号arXiv cs.LG@Tam Bang, Hussam Abubakr, Emiliano de la Garza Villarreal, Truc Phuong Nguyen, Austin Harris, Toru Hirano, Mina Sartipi, Yunfei Xu, Hoang H. Nguyen

PRISA框架利用路边LiDAR传感器实现隐私保护、低光照鲁棒的交通监测和实时风险检测。其风险评估模块自动从感知数据中训练轨迹预测模型，无需手动标注，并部署在NVIDIA Jetson AGX Thor上。在R-LiViT数据集上的评估显示，PPET评估在2.4秒预测时域内端到端延迟为194毫秒，TTC检测满足实时约束。该框架已在田纳西州查塔努加的真实信号交叉口部署，验证了主动式多智能体交叉口安全监测的可行性。

论文 PRISA LiDAR 交通安全

事件专题

推荐理由：这篇论文提出PRISA，用路边LiDAR自动学习轨迹预测，无需人工标注就能在边缘实时评估碰撞风险，延迟仅194毫秒，已在真实路口跑通。

原文

6月4日

11:35

官方账号arXiv cs.LG@Gandhimathi Padmanaban, Fred Feng

精选

该研究提出一个开源的两阶段计算机视觉流水线，用于从自然道路视频中细粒度分类车辆类型（轿车、SUV、皮卡、小型货车、大型货车、商用卡车），以评估自行车事故中骑车人受伤严重程度。第一阶段使用预训练的RT-DETR检测器进行粗略车辆定位，第二阶段使用微调的Vision Transformer（ViT-Base/16）进行六类车身类型分类。引入基于置信度的弃权机制（softmax输出低于0.60时输出“未知”标签），避免静默误分类。在密歇根州安阿伯市自行车道走廊的3805个超车事件（分布内）上，流水线准确率达0.94，各类F1分数在0.91（小型货车）到0.97（SUV）之间。在独立的外部数据集（311个事件，无再训练）上，准确率为0.89，其中三个常见类别F1仍保持在0.90以上，小型货车因弃权率从2.4%升至25.0%导致F1降至0.72，但未出现主动误分类。完整流水线（含推理脚本、训练代码、评估工具和模型权重）已开源，支持道路视频档案和骑行安全研究的复现与复用。

论文计算机视觉细粒度分类 Vision Transformer

推荐理由：做交通安全分析或自动驾驶细粒度感知的团队，可以直接用这个开源流水线替代粗粒度检测，它用弃权机制解决了域迁移下的误分类问题，值得在真实道路视频上试试。

原文

5月25日

10:00

官方账号arXiv cs.LG@Robin Deuber, Lanlan Yang, Michal Bechny, Christoph Heck, Matthias Pfäffli, Matthias Bantle, Florian von Wangenheim, Elgar Fleisch, Wolfgang Weinmann, Manuel Günther, Felix Wortmann, Varun Mishra

一项新研究利用市售智能手表的加速度计和心率变异性数据，检测酒精导致的驾驶损伤。研究在封闭测试轨道上进行了随机对照实验（n=54），训练了逻辑回归和1D卷积神经网络模型。CNN模型检测任何酒精摄入的AUROC为0.88，检测超过WHO推荐限值（0.05 g/dL）的AUROC为0.86。这是首个在真实车辆中验证、并严格评估对未见参与者泛化能力的智能手表酒驾检测系统。该成果展示了可穿戴设备在规模化预防酒精相关交通事故中的潜力。

论文智能手表酒驾检测可穿戴设备

推荐理由：这项研究把智能手表从健康监测延伸到公共安全领域，做可穿戴设备或交通安全研究的团队值得关注——它证明了消费级硬件也能做高精度酒驾检测，无需额外车载设备。

原文