Uma Avaliação e Controle de Risco de Colisão Traseira Usando um Modelo de Rede Bayesiana

Este artigo apresenta uma estrutura de tomada de decisão probabilística para sistemas de prevenção de colisões traseiras, focando na modelagem do impacto dos principais fatores causadores de colisões na ocorrência de acidentes. As decisões sobre quando e como ajudar os motoristas são tomadas usando uma abordagem de rede bayesiana de acordo com os resultados da avaliação de risco de colisão, dada uma conhecimento probabilístico prévio. A estrutura do modelo de rede bayesiana é aprendida usando um algoritmo K2 com um conjunto de dados prático. Para fornecer tempo de resposta adequado para os motoristas, também prevemos a probabilidade de colisão no próximo intervalo de monitoramento usando um modelo de filtro de Kalman. A precisão da previsão é avaliada com diferentes casos de uso e comparada a cenários reais com o conjunto de dados obtido. Para tornar nossa estrutura mais relevante para aplicações práticas, também discutimos as correspondentes estratégias de controle de segurança, classificando o risco de colisão em níveis alto e baixo. Além disso, o modelo proposto é avaliado por meio de experimentos que incluem simulações e testes em estrada. Nas simulações, os algoritmos são testados em diferentes cenários com várias configurações de condições climáticas, capacidade de resposta do motorista e dinâmica veicular. Para demonstrar o desempenho na prevenção de colisões, o modelo proposto também é comparado a esquemas existentes. Nos testes em estrada, o algoritmo é incorporado em um veículo não tripulado com parâmetros predefinidos para avaliar o impacto da complexidade computacional na prevenção de colisões traseiras. Resultados numéricos mostram que o modelo proposto fornece uma estimativa precisa para o risco de colisão ao seguir um veículo, com uma complexidade relativamente baixa, levando em conta os impactos da dinâmica do veículo, capacidade de reação do motorista e ambiente externo nas colisões traseiras.