DOI: https://doi.org/10.1038/s42256-026-01189-w
تاريخ النشر: 2026-03-09
المؤلف: Yiru Jiao وآخرون
الموضوع الرئيسي: تعلم الآلة وتصنيف البيانات
نظرة عامة
يقدم القسم مقياس السلامة البديل العام (GSSM)، وهو نهج مبتكر قائم على البيانات مصمم لتعزيز سلامة الطرق من خلال تنبيه السائقين أو الأنظمة الآلية بشكل استباقي إلى التصادمات المحتملة في البيئات الحضرية المعقدة. على عكس الطرق الحالية التي تعتمد على التعليقات اليدوية المكثفة أو تقتصر على سيناريوهات محددة، يتعلم GSSM مخاطر التصادم من بيانات القيادة الطبيعية دون الحاجة إلى تسميات الحوادث أو المخاطر. تم تقييمه على 2,591 حادثًا حقيقيًا وحوادث قريبة، حيث يحقق إصدار أساسي من GSSM، الذي يستخدم فقط حركيات الحركة الفورية، منطقة تحت منحنى الدقة والاسترجاع تبلغ 0.9 ويوفر وقتًا متوسطًا متقدمًا قدره 2.6 ثانية لمنع التصادم.
تؤدي التحسينات الإضافية على GSSM، التي تتضمن أنماط تفاعل إضافية وعوامل سياقية، إلى تحسينات أكبر في الأداء. يتفوق المقياس باستمرار على المعايير الحالية من حيث الدقة والسرعة عبر سيناريوهات تفاعل متنوعة، بما في ذلك الاصطدام من الخلف، والاندماج، والانعطاف. تضع هذه النتائج GSSM كحل قابل للتوسع وواعي للسياق لتحديد التفاعلات الخطرة، مما يدعم تدابير السلامة الاستباقية في أنظمة القيادة الذاتية وإدارة حوادث المرور. كما يوفر البحث وصولًا مفتوحًا إلى الشيفرة والبيانات التجريبية على https://github.com/Yiru-Jiao/GSSM.
مقدمة
تسلط المقدمة الضوء على القضية الملحة لسلامة المرور، مشيرة إلى أن أكثر من مليون حالة وفاة تحدث سنويًا بسبب حوادث المرور، مع عدد كبير من الإصابات. على الرغم من التقدم في تقنيات سلامة المركبات وتحسينات السياسات التي أدت إلى تقليل الوفيات منذ عام 2010، إلا أن هذا التقدم قد استقر. تحدث غالبية حوادث المرور على الطرق الحضرية، التي تقدم تفاعلات معقدة بين مستخدمي الطرق المتنوعين، مما يبرز الحاجة الملحة لتعزيز تدابير السلامة المرورية في هذه البيئات، خاصة مع توقع زيادة كبيرة في عدد السكان الحضريين بحلول عام 2030.
يميز القسم بين أبحاث السلامة المرورية التفاعلية والاستباقية. تحلل الأساليب التفاعلية بيانات الحوادث التاريخية لإبلاغ تحسينات البنية التحتية، والتي قد تتأخر وتكون غير فعالة. في المقابل، تهدف الأبحاث الاستباقية إلى توقع التصادمات المحتملة من خلال تحديد المؤشرات السابقة مثل الحوادث القريبة والتفاعلات الخطرة. تم تطوير منهجيات متنوعة لتقدير مخاطر التصادم الاستباقية، بما في ذلك مقاييس السلامة البديلة (SSMs) التي تقدر احتمال التصادم بناءً على سلوكيات مستخدمي الطرق المحددة. ومع ذلك، غالبًا ما تفتقر هذه المقاييس إلى الوعي بالسياق والعمومية بسبب تركيزها على سلوكيات معزولة بدلاً من التفاعلات المعقدة في بيئات المرور الديناميكية. لقد حسنت التقدمات الأخيرة في توقع الحركة تحت عدم اليقين والنماذج القائمة على البيانات الوعي بالسياق ولكن لا تزال تواجه تحديات في العمومية، خاصة في السيناريوهات الحرجة للسلامة التي تتميز بسلوكيات مستخدمي الطرق غير المتوقعة.
النتائج
يستعرض قسم النتائج تقدير مخاطر التفاعلات الحرجة للسلامة باستخدام نموذج السيناريو الآمن العام (GSSM)، الذي تم تدريبه على بيانات تفاعل المرور العادية التي تم جمعها من مواقع ومعدات متنوعة. تتكون مجموعة الاختبار من آلاف الأحداث المسجلة، بما في ذلك 110 حوادث و2,481 حادثة قريبة، مما يوفر مجموعة بيانات قوية لتقييم أداء النموذج. تركز التقييمات بشكل خاص على 4,875 حدثًا حرجًا للسلامة، مع مجموعة فرعية من 2,591 حدثًا تم تحديدها على أنها تحتوي على كائنات متعارضة، مما يوفر أساسًا موثوقًا لمزيد من التحليل.
فيما يتعلق بالقدرة على التوسع، يتضمن البحث بيانات إضافية من ArgoverseHV وhighD، كما هو موضح في القسم 6.2. يتم تصنيف كل من 2,591 حدثًا إلى عينات إيجابية، تمثل فترات الخطر، وعينات سلبية، تتكون من 3,777 فترة آمنة مع كائنات محيطة متنوعة. يضمن هذا النهج المنظم أن يتم التعامل مع كل حدث كملاحظة متميزة، مما يسمح بإجراء تقييمات شاملة في التجارب اللاحقة حول الفعالية، والوعي بالسياق، والعمومية، ونسبة المخاطر، كما هو موضح في الأقسام 6.1 إلى 6.5.
نقاش
في هذا القسم، يقدم المؤلفون مقياس السلامة البديل العام (GSSM)، وهو إطار مبتكر لتقدير مخاطر التصادم الاستباقية الذي يبني على المعرفة الراسخة لمقاييس السلامة البديلة (SSMs). يهدف GSSM إلى توقع احتمال التصادمات المحتملة، المحددة كدالة \( Q: S \to L \)، حيث تمثل \( S \) سيناريوهات تفاعل المرور و\( L \) يقدر احتمال التصادم. تم تصميم المقياس ليكون مرنًا بما يكفي لدمج البيانات المرئية السياقية مع تمييز نفسه عن الأساليب الحالية المعتمدة على التعلم الذاتي وغير المراقب التي تركز بشكل أساسي على اكتشاف الشذوذ. يؤكد المؤلفون على أهمية التقييم الدقيق والموعد المناسب للمخاطر، مشيرين إلى أن الأخطاء في توقع التصادمات تمثل مساهمات كبيرة في حوادث الطرق.
تعتمد التعريفات التشغيلية لـ GSSM على الفجوة الزمنية المكانية بين مستخدمي الطرق، والتي تُسمى “المسافة”، والتي تعمل كبديل لمخاطر التصادم. يضع المؤلفون فرضيتين رئيسيتين: (1) التصادمات المحتملة هي مؤشرات للتصادمات الفعلية، و(2) ترتبط المسافات المنخفضة بزيادة مخاطر التصادم. يقوم GSSM بتقدير مخاطر التصادم من خلال تقييم مدى قرب المسافة بالنسبة إلى عتبات التفاعل الآمن، مستخدمًا نظرية القيمة القصوى لاستنتاج احتمالات شدة الصراع. يقترح المؤلفون أيضًا شكلًا معلمًا من GSSM يستخدم توزيع لوغاريتمي لتشكيل المسافة، مما يسمح بالتعلم الفعال من بيانات التفاعل العادية الوفيرة بدلاً من الاعتماد على بيانات الحوادث النادرة. يعزز هذا النهج قابلية تطبيق النموذج ومرونته في السيناريوهات الواقعية، مما يسهم في تحسين تدابير السلامة المرورية.
DOI: https://doi.org/10.1038/s42256-026-01189-w
Publication Date: 2026-03-09
Author(s): Yiru Jiao et al.
Primary Topic: Machine Learning and Data Classification
Overview
The section presents the Generalised Surrogate Safety Measure (GSSM), a novel data-driven approach designed to enhance road safety by proactively alerting drivers or automated systems to potential collisions in complex urban environments. Unlike existing methods that rely on labor-intensive annotations or are limited to specific scenarios, GSSM learns collision risk from naturalistic driving data without requiring crash or risk labels. Evaluated on 2,591 real-world crashes and near-crashes, a basic version of GSSM, which utilizes only instantaneous motion kinematics, achieves an impressive area under the precision-recall curve of 0.9 and provides a median time advance of 2.6 seconds for collision prevention.
Further enhancements to GSSM, which incorporate additional interaction patterns and contextual factors, yield even greater performance improvements. The measure consistently outperforms existing baselines in both accuracy and timeliness across various interaction scenarios, including rear-end, merging, and turning. These findings position GSSM as a scalable and context-aware solution for identifying risky interactions, thereby supporting proactive safety measures in autonomous driving systems and traffic incident management. The research also provides open access to the code and experimental data at https://github.com/Yiru-Jiao/GSSM.
Introduction
The introduction highlights the pressing issue of road traffic safety, noting that over one million fatalities occur annually due to traffic accidents, with a significant number of injuries. Despite advancements in vehicle safety technologies and policy improvements leading to a reduction in fatalities since 2010, this progress has plateaued. The majority of traffic accidents occur on urban roads, which present complex interactions among diverse road users, emphasizing the urgent need for enhanced traffic safety measures in these environments, especially as urban populations are projected to increase significantly by 2030.
The section distinguishes between reactive and proactive traffic safety research. Reactive approaches analyze historical crash data to inform infrastructure improvements, which can be delayed and ineffective. In contrast, proactive research aims to anticipate potential collisions by identifying precursors such as near misses and hazardous interactions. Various methodologies have been developed for proactive collision risk quantification, including surrogate safety measures (SSMs) that estimate collision likelihood based on specific road user behaviors. However, these measures often lack context-awareness and generalizability due to their focus on isolated behaviors rather than the complex interactions in dynamic traffic environments. Recent advancements in motion prediction under uncertainty and data-driven models have improved context-awareness but still face challenges in generalizability, particularly in safety-critical scenarios characterized by unpredictable road user behaviors.
Results
The results section outlines the risk quantification of safety-critical interactions using the Generalized Safety Scenario Model (GSSM), which is trained on normal traffic interaction data collected from various locations and equipment. The test set comprises thousands of recorded events, including 110 crashes and 2,481 near-crashes, providing a robust dataset for evaluating the model’s performance. Specifically, the evaluation focuses on 4,875 safety-critical events, with a subset of 2,591 events identified as having conflicting objects, which serves as a reliable basis for further analysis.
In terms of scalability, the study incorporates additional data from ArgoverseHV and highD, as detailed in Section 6.2. Each of the 2,591 events is categorized into positive samples, representing danger periods, and negative samples, consisting of 3,777 safe periods with varying surrounding objects. This structured approach ensures that each event is treated as a distinct observation, allowing for comprehensive assessments in subsequent experiments on effectiveness, context-awareness, generalisability, and risk attribution, as discussed in Sections 6.1 to 6.5.
Discussion
In this section, the authors introduce the Generalised Surrogate Safety Measure (GSSM), a novel framework for proactive collision risk quantification that builds on established knowledge of surrogate safety measures (SSMs). GSSM aims to predict the likelihood of potential collisions, defined as a function \( Q: S \to L \), where \( S \) represents traffic interaction scenarios and \( L \) estimates collision likelihood. The measure is designed to be flexible enough to incorporate contextual visual data while distinguishing itself from existing self-supervised and unsupervised methods that focus primarily on anomaly detection. The authors emphasize the importance of timely and accurate risk assessment, noting that misjudgments in collision anticipation are significant contributors to road accidents.
The operational definition of GSSM is based on the spatial-temporal gap between road users, termed “spacing,” which serves as a proxy for collision risk. The authors establish two key assumptions: (1) potential collisions are precursors to actual collisions, and (2) reduced spacing correlates with increased collision risk. The GSSM quantifies collision risk by evaluating how close the spacing is relative to safe interaction thresholds, employing extreme value theory to derive probabilities of conflict intensity. The authors also propose a parameterized form of GSSM that utilizes a lognormal distribution to model spacing, allowing for effective learning from abundant normal interaction data rather than relying on rare crash data. This approach enhances the model’s applicability and robustness in real-world scenarios, ultimately contributing to improved traffic safety measures.