Dolar 9,3218
Euro 10,8357
Altın 529,53
BİST 1.418
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 16 °C
Sağanak Yağışlı

Yeni Model, şerit değişikliklerini tahmin eder, sürücü yardım sistemlerini bilgilendirebilir

05.07.2021
35
Yeni Model, şerit değişikliklerini tahmin eder, sürücü yardım sistemlerini bilgilendirebilir
Nebraska Ulaşım Merkezi’nden yeni bir model, otoyolda yüksek hızlı şerit değişikliklerini öngörerek, sürücülere özellikle tehlikeli kazalardan kaçınmak için gereken uyarıları vermeye yardımcı olabilir. Kredi bilgileri: Shutterstock

Eyaletler arası araba kullanmakla vakit geçiren herkesin aşina olduğu yüksek hızlı, yüksek riskli bir tehlike.

Sağ şeritte bir araba, aracınız ile hemen önünüzdeki soldaki SUV arasındaki açıklığın yanında oyalanıyor. Hazırlıksız kervan aynı hızla ilerliyor, durağanlık illüzyonu sadece yolun bulanıklaşması ve çevredeki arazinin uykulu geçişiyle bozuluyor.

Bu sahneyi daha önce sürdükten sonra, sizi SUV’den ayıran boşluğa birleşmeye hazır olan sağ şeritte oyalananlara dikkat edin. Ancak saniyeler geçtikçe uyanıklığınız azalır. Oyalanmak sanki bir ipucu varmış gibi, bir slalom kayakçısının aniliğiyle soldan atlıyor ve pervasızlıkları bir enkaza dönüşmesin diye sizi fren yapmaya zorluyor.

Nebraska Ulaşım Merkezindeki Li Zhao ve meslektaşları da tehlikeyi biliyor. Bu nedenle araştırmacılar, araçların ne zaman şerit değiştireceğini tahmin etmeye yardımcı olmak için beyaz çizgiler arasında okuyabilen yeni bir model geliştirdiler. Onların çabaları nihayetinde gelişmiş sürücü yardım sistemlerine ( tehditleri tahmin etmek ve insan hatalarını düzeltmek için tasarlanmış araç içi teknoloji ) tepki vermek ve ideal olarak korumak için daha fazla hazırlık süresi sağlamaya yardımcı olabilir.

Merkezde doktora sonrası araştırmacı olan Zhao, “Aracın aniden devreye gireceği niyetini bilirsem, buna karşılık gelen bir tepki verebilirim” dedi. “Biraz yavaşlayabilirim veya olası bir arkadan çarpmayı önlemek için başka bir şerit değişikliği yapabilirim.”

Ekip, modelini öne bakan kameralar ve çeşitli sensörlerle donatılmış yaklaşık 3.000 araçtan elde edilen veriler üzerine kurdu. 2010’ların başında, bu araçların sahipleri, ABD Ulaştırma Bakanlığı tarafından finanse edilen ve sonunda doğal sürüş verilerini kamuya açık hale getiren bir projenin parçası olarak iki ay boyunca normal rotalarını sürdüler.

Modeli bilgilendirmek için Zhao, bu araçlardan birinin otoyolda diğerinin en fazla 400 fit veya 3,5 saniye arkasından takip ettiği her senaryodan veri derlemeye başladı. Bazı durumlarda, biri bitişik şeride birleşmeden önce hem ön hem de arkadaki araç aynı şeritteydi; diğer durumlarda, bir araç bitişik bir şeritten birleşti, böylece ikisi de aynı oldu.

Zhao, şerit değiştirmeyi planlayan bir sürücünün habercisi olarak hareket edebilecek birden fazla değişkeni etiketledi: araçlar arasındaki mesafe, göreceli hızları, yanal konumları, ön aracın burnunun ince bir dönüşü. Daha sonra, şerit değiştirmeden önceki beş saniyeden bir saniye sonrasına kadar, altı saniyelik bir süre boyunca her saniyenin onda birinde bu değişkenlerin değerlerini analiz etmek için bir model eğitti.

Bu 60 artışın her birinde model, her bir değişkenin değerini (örneğin araçlar arasındaki mesafede 10 fitlik bir azalma) değerin şerit değiştirmeden önce meydana gelme olasılığıyla karşılaştırır. Tüm bu değişkenler, maksimum şerit değişikliği olasılığını gösteren değerlere ulaştığında, model şerit değişikliğini yakın olarak işaretler.

Koşullara göre biraz değişse de, model, bir aracın merkezi başka bir şeride giderken bir ayrım çizgisini geçmeden yaklaşık bir saniye önce şerit değişikliğini tahmin edebiliyor.

Zhao, “Bir saniye önceden, sürücünün şerit değiştireceğinden emin olmaya başlıyoruz.” dedi. “Bu, bir insan sürücü için pek bir şey ifade etmeyebilir, ancak otomatikleştirilmiş araçlardan veya gelişmiş sürücü destek sistemlerinden bahsediyoruz.

“Böylece ön süresini ya sistemlerini geliştirmek için kullanabilirler ya da aracı otomatik olarak yavaşlatmak veya sürücünün bazı kararlar almasına yardımcı olmak için bazı ekstra güvenlik önlemleri (çarpışma uyarı sistemi gibi uyarılar veya uyarılar) tasarlayabilirler.”

Ekip, diğer bazı ilginç trendleri de yakaladı. Ortalama şerit değişikliği, örneğin, 0,55 ile 0,86 saniye arasında sürdü. Sürücüler aslında bir aracın arkasında bir şeride girerken (0,55 saniye), arkadan şerit değiştirirken (0,86) olduğundan daha az zaman ayırma eğilimindeydiler. Şerit değişimi ne kadar hızlı olursa, sürücü destek sisteminin bunu telafi etmek için o kadar fazla hazırlık süresi gerekir ve bu da ayrımı potansiyel olarak yararlı hale getirir.

Zhao, doğal sürüş verilerine erişiminin kendisine modelin geçerliliği konusunda daha fazla güven verdiğini ve bunun daha fazla sensör ve kamera ile donatılmış araçlardan elde edilen daha zengin veri kümelerine de uygulanabileceği konusunda iyimser olduğunu söyledi.

“Bu sonuçların katkısının, bu gelişmiş sürücü destek sistemleri ve otomatik araç teknolojilerinin geliştiricilerine bazı arka plan bilgisi, teknik veriler veya destek sağlamak olduğunu düşünüyorum” dedi. “Bu, riskli durumlarda sürücülere yardımcı olmalı ve bu aşırı durumlar meydana geldiğinde sürücü güvenliğini artırmalı.”

Zhao, modeli Nebraska Ulaşım Merkezi müdürü ve inşaat ve çevre mühendisliği profesörü Laurence Rilett ile birlikte ulaşım sistemleri mühendisliği doktora öğrencisi Mm Shakiul Haque ile birlikte geliştirdi. Araştırmacılar, modellerinin gelişimini ve sonuçlarını dergide detaylandırdılar.


Daha fazla bilgi:
Li Zhao ve diğerleri, Doğal Sürüş Verilerini Kullanan Otoyollarda Şerit Değiştirme Tabanlı Araba Takip Davranışının Gizli Markov Modeli, Ulaştırma Araştırma Kaydı: Ulaştırma Araştırma Kurulu Dergisi (2021). DOI: 10.1177/0361198121999382

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.