روش ارزیابی خطرات رانندگی برای وسایل نقلیه خودران

 روش ارزیابی خطرات رانندگی برای وسایل نقلیه خودران شبکه‌ای بر اساس میدان‌های پتانسیل مولکولی

ارزیابی خطرات رانندگی در محیط‌های ترافیکی پیچیده، به ویژه برای وسایل نقلیه خودران متصل (CAVs)، یکی از چالش‌های اصلی در توسعه سیستم‌های حمل و نقل هوشمند است. در این مطالعه، روشی نوین بر اساس تئوری میدان‌های پتانسیل مولکولی ارائه شده است که به طور پیوسته و پویا خطرات ناشی از تعاملات بین وسایل نقلیه را ارزیابی می‌کند. این روش با استفاده از پارامترهایی مانند سرعت، شتاب و فاصله بین وسایل نقلیه، خطرات را در سناریوهای مختلف رانندگی مانند دنبال‌کردن، تغییر خط و حق تقدم، بررسی می‌کند. نتایج نشان می‌دهند که این روش نسبت به شاخص‌های سنتی مانند زمان تا برخورد (TTC) و نرخ کاهش سرعت برای جلوگیری از برخورد (DRAC)، عملکرد بهتری دارد و قادر است خطرات را به صورت پیوسته و با دقت بالا ارزیابی کند. علاوه بر این، این روش امکان پیش‌بینی خطرات آینده را نیز فراهم می‌آورد، که می‌تواند به بهبود ایمنی و کارایی سیستم‌های حمل و نقل هوشمند کمک شایانی کند.

با پیشرفت فناوری‌های خودران و افزایش استفاده از وسایل نقلیه خودران متصل (CAVs)، نیاز به روش‌های دقیق و کارآمد برای ارزیابی خطرات رانندگی بیش از پیش احساس می‌شود. در محیط‌های ترافیکی پیچیده، تعاملات بین وسایل نقلیه می‌تواند منجر به بروز خطرات جدی شود. روش‌های سنتی ارزیابی خطر، مانند زمان تا برخورد (TTC) و نرخ کاهش سرعت برای جلوگیری از برخورد (DRAC)، اغلب قادر به ارزیابی پیوسته خطرات نیستند و در برخی شرایط، مانند ناپدید شدن نقاط تضاد، نتایج ناپیوسته ارائه می‌دهند. در این مطالعه، از تئوری میدان‌های پتانسیل مولکولی برای توسعه یک روش جدید ارزیابی خطر استفاده شده است که این محدودیت‌ها را برطرف می‌کند.

این روش بر اساس تئوری میدان‌های پتانسیل مولکولی توسعه یافته است. در این رویکرد، تعاملات بین وسایل نقلیه به تعاملات بین مولکول‌ها تشبیه شده‌اند. هر وسیله نقلیه به عنوان یک منبع میدان در نظر گرفته می‌شود و میدان خطر ناشی از تعاملات بین وسایل نقلیه به صورت پیوسته محاسبه می‌شود. این روش از پارامترهایی مانند سرعت، شتاب و فاصله بین وسایل نقلیه استفاده می‌کند تا خطرات ناشی از تعاملات را ارزیابی کند.

برای پیش‌بینی خطرات آینده، از یک شبکه عصبی یادگیری عمیق به نام EDLN (شبکه حافظه کوتاه‌مدت رمزگذار-رمزگشا) استفاده شده است. این شبکه قادر است با استفاده از داده‌های مسیر تاریخی، موقعیت آینده وسایل نقلیه را پیش‌بینی کند و خطرات مرتبط با این موقعیت‌ها را محاسبه نماید.برای ارزیابی عملکرد این روش، از داده‌های واقعی ترافیکی استفاده شد. نتایج نشان دادند که این روش در سناریوهای مختلف رانندگی، مانند دنبال‌کردن و تغییر خط، عملکرد بهتری نسبت به شاخص‌های سنتی دارد. به عنوان مثال، در سناریوی دنبال‌کردن، این روش قادر بود خطرات ناشی از تعاملات بین وسایل نقلیه را به صورت پیوسته ارزیابی کند، در حالی که شاخص‌های سنتی مانند TTC تنها در صورت وجود نقاط تضاد قادر به ارزیابی خطرات بودند.

علاوه بر این، این روش امکان پیش‌بینی خطرات آینده را نیز فراهم می‌آورد. با استفاده از شبکه عصبی EDLN، می‌توان خطرات ناشی از تعاملات آینده را پیش‌بینی کرد و اقدامات پیشگیرانه لازم را انجام داد. نتایج نشان دادند که پیش‌بینی‌های انجام‌شده توسط این روش با دقت بالایی همراه است و انحراف بین خطرات پیش‌بینی‌شده و واقعی حدود 5 درصد است.

 نتیجه‌گیری :
روش ارائه‌شده در این مطالعه، یک رویکرد نوین برای ارزیابی خطرات رانندگی در وسایل نقلیه خودران متصل است. این روش بر اساس تئوری میدان‌های پتانسیل مولکولی توسعه یافته و قادر است خطرات ناشی از تعاملات بین وسایل نقلیه را به صورت پیوسته و پویا ارزیابی کند. نتایج نشان دادند که این روش در سناریوهای مختلف رانندگی، عملکرد بهتری نسبت به شاخص‌های سنتی دارد و امکان پیش‌بینی خطرات آینده را نیز فراهم می‌آورد. این روش می‌تواند به عنوان یک ابزار قدرتمند برای بهبود ایمنی و کارایی سیستم‌های حمل و نقل هوشمند مورد استفاده قرار گیرد.

 پیشنهادات برای تحقیقات آینده :
برای بهبود بیشتر این روش، پیشنهاد می‌شود تأثیر عوامل دیگری مانند عرض جاده، انحنای جاده و شیب جاده بر نتایج ارزیابی خطر بررسی شود. همچنین، کاربرد این روش در سناریوهای ترافیکی پیچیده‌تر، مانند تقاطع‌های شلوغ و بزرگراه‌های چندخطه، نیاز به بررسی بیشتر دارد. با توسعه بیشتر این روش، می‌توان یک چارچوب جامع و چندبعدی برای ارزیابی خطرات رانندگی ایجاد کرد که ایمنی و قابلیت اطمینان سیستم‌های حمل و نقل هوشمند را به طور قابل توجهی بهبود بخشد.

مرجع