自动驾驶汽车（AVs）的发展，在很大程度上减少了交通事故。因此，安全问题将是决定其社会接受度的关键因素。 尽管AVs技术发展迅速，但即使在理想的环境中也会发生相关事故。因此，提前预防交通事故的措施是非常必要的。本研究基于深度神经网络(DNNs)技术实现了交通事故情境分析，设计了预防性自动驾驶系统(PADS)。基于DNN的分析结果显示，当交通事故发生时，对违法者的伤害预测准确率为85%，对受害者的情况预测准确率为67%。此外，为了找出决定罪犯和受害者受伤程度的因素，实施随机森林分析。结果发现，车辆类型和速度是决定罪犯伤害程度的最重要因素，而对受害者的重要性则按速度、时间、车辆类型和星期几排序。  本研究提出的PADS不仅有助于提高AV的安全性，而且有望提前预防事故的发生。

 相关论文以题为“     For Preventative Automated Driving System (PADS): Traffic Accident Context Analysis Based on Deep Neural Networks    ”于2020年11月02日发表在《     Electronics    》上。

 在第四次工业革命的积极讨论中，自动驾驶汽车（Automated Vehicles，AVs）有望在引领第四次工业革命中发挥重要作用。 AVs的定义是：能够在没有人类协助的情况下，部分或完全地进行导航、控制和避险的车辆。根据汽车工程学会，AVs可分为6个级别，从无自动系统（SAE 0级）到完全自动系统（SAE 5级）。从SAE 3级开始，人的干预降到最低，5级时可以实现无人驾驶。由于具有提高驾驶安全性、增加便利性和机动性等特点，AV作为未来减少交通事故的关键交通工具，受到高度评价。当AV全面普及后，上述的好处将得以实现。然而，有研究表明，公众对AVs的接受程度仍然较低。这主要是由于Google、Uber等在试驾过程中出现的AVs交通事故。尤其是Uber发生的一起行人死亡事故，更是成为AVs伦理争议的焦点。

传统伦理学的类型（德行学、功利主义）都不能很好地适应为这起事故提供一个恰当的答案，推车困境的借口也不合适。对此，德国和美国相继出台了包括预防性设计和安全规定在内的AVs准则。具体而言，德国AV伦理准则在第五条中指出："自动和连接技术应在实际可能的情况下防止事故发生"。此外，各种研究强调，对AV的信任是接受AV出行的最重要决定因素，而信任度由感知的安全风险、兼容性和系统质量决定。

 为了应对潜在的AVs相关事故的预防，本研究提出了利用基于深度神经网络(DNNs)的交通事故情境分析的预防性自动驾驶系统(PADS)。 本研究针对黑冰、沉厅、中心线交叉等不可预知条件导致的交通事故进行实验，找出影响交通事故的关键特征。

 学习数据范围以构建最佳DNN

 首先，研究人员利用2017年、2018年和2017-2018年的综合数据进行DNN。 为了提取适合模型的最优数据范围，研究人员设置了默认模型（RC，W，S，L，Sp；①集，仅为外部因素），并模拟罪犯和受害者的伤害程度作为输出。预测结果显示，对犯罪人伤害程度的预测准确率在80%以上。另外，从2018年数据的预测准确率来看，2018年数据的预测准确率比2017年数据高约0.1-2.0%，2017-2018年综合数据比2018年数据准确率高约0.5-1.5%。受害者受伤程度显示准确率约为60-65%，根据综合数据进行预测发现比2017年、2018年数据更准确0.5-2.5%。因此，研究人员决定采用2017-2018年的综合数据集来实现模拟（见表1与图1）。

 图1. （a）按数据集划分的罪犯伤害准确度；（b）按数据集划分的受害者伤害准确度：红色虚线矩形代表2017-2018年该因子下的最高准确度

 表1. 按数据集分列的犯罪者/受害者伤害准确率。

 设置隐藏层以构建最佳DNN

研究人员通过设置隐藏层和节点数来执行DNN。神经网络的复杂性由这两个设置决定。设置适合模型的最佳节点和隐藏层非常重要，因为可能会发生模型过度拟合并导致不良学习。因此，这意味着应设置隐藏层和节点数以适合此模型。

为了获得隐藏层和节点的最佳级别，研究人员尝试基于①Set学习。但是，结果表明，由于①Set中的特征数量不足，学习未能正确完成。因此，研究人员基于“所有数据”提取了一个隐藏层，其中包含默认功能和新因素（时间，天数，犯罪者和受害者的乘车时间，违法行为）。

因此，观察到对犯罪者的伤害的预测准确性大部分高于84％，对于隐藏层中的（256,128,64,64）个节点，最高准确性为84.15％。受害人受伤的预测准确率大多达到64％以上，隐层中的（256,128,64,64）个节点的最高准确度也达到65.93％。这表明交通事故预测的最优隐蔽层为（256,128,64,64），从而将输出值推导至收敛过程。因此，研究人员将通过设置2017-2018年的集成数据，100个纪元和（256,128,64,64）个隐藏层来模拟研究（见图2和表2）。

 图2. （a）隐藏层的违法者伤害准确性；（b）隐藏层造成的受害者伤害的准确性：不同的彩色条代表了从隐藏层获得的最高准确性。

 表2. 按隐藏层划分的罪犯/受害者伤害的准确性。

 结论

 自动驾驶汽车作为减少交通事故的替代方案，受到了人们的关注。 然而，在多次试驾过程中发生的AVs事故，让人对AVs的安全性感到担忧。当AVs被商业化，并与人类驾驶车辆混杂在一起时，即使在理想的条件下也会发生与AVs相关的事故。为了解决这个问题，人们对AVs伦理学进行了研究，但很难得到充分的答案。于是，德国和美国发布了AVs伦理准则，强调预防交通事故。本研究基于DNNs对交通事故数据进行分析，提出AVs事故的预防措施。

 在交通事故分析中，研究人员对TAAS、标准节点链接数据和TOPIS数据进行了预处理。 在DNNs分析中，输入层由外部因素和附加因素组成，输出层设置为违法者&受害者的受伤程度。同时，为了构建最佳的隐藏层，研究人员控制了学习数据范围、时代和隐藏层的节点数。在分析中，研究人员通过逐步增加输入因子进行学习。结果显示，在罪犯案例中，当只考虑外部因素时，预测准确率达到81%，而当分析中加入违法行为和车辆类型等因素时，准确率提高到85%。在被害人案件中，仅考虑外部因素时，预测准确率仍为61%，但当考虑其他因素时，准确率提高到67%。决定罪犯与被害人之间20%左右预测准确率偏差的主要原因来自于罪犯与被害人之间关键伤害决定因素的数据准确程度。罪犯的伤害程度主要是由车辆类型决定的，不需要采集数据。

 另一方面，影响被害人伤害程度最大的车速来自TOPIS和TAAS的合并数据，有很多数据缺失。 分析结果显示，车辆类型、时间、日期等因素对伤害程度的决定很重要。此外，随机森林重要性分析发现，犯罪者的伤害决定因素依次是车辆类型、速度、时间和日期，而被害人的伤害决定因素则是速度、时间、车辆类型和日期。

 经讨论，车辆类型和速度分别被确定为决定伤害的主要因素。 因此，今后计划开展利用CNNs(YOLO等)技术识别车辆类型，并根据速度预测伤害程度或建议适当的车辆安全距离，从而更准确地预防事故的研究。另外，今后的研究将利用更新的交通事故数据，应用开发的方法（Meta AI等）。但是，由于是利用HV的数据来制定AVs事故的预防措施，所以直接将结果应用于AVs是有限制的。然而，由于分析的重点是AVs也难以控制的外部因素（如天气、道路状况、道路类型等），因此，预计这些数据将作为今后分析与AVs相关的交通事故外部因素影响的基础数据。  今后需要研究将AVs事故的原因（如天气、车身缺陷等）数据作为输入值来分析交通事故。