Risk Field Models for Autonomous Vehicle Safety

Abstract

The development and adaptation of Autonomous Vehicles (AV) is constantly increasing. AVs require risk assessment models for recognizing and avoiding traffic risk for guaranteeing safety for all traffic users. The scientific community has proposed a demand for a risk assessment model that is able to describe the risk in the traffic environment in detail and consider the risk of multiple traffic agents simultaneously. Spatial probabilistic models called risk fields have emerged to meet the demand. This thesis is a literature review analyzing risk fields and their application to traffic safety. Several varying methods are called risk fields; however, they all intend to describe the areas of high and low risk surrounding the ego vehicle. The distribution of risk is represented by the varying strength of the field and avoiding the areas of high risk promotes safer driving outcomes. Risk fields demonstrate potential in generating autonomous vehicle trajectories that mimic human-like driving, creating automated warning algorithms and enhancing pedestrian trajectory prediction models. Risk fields are a powerful tool for assessing traffic risk in theory, however real-life testing and standardization of methods is insufficient. Ethical questions arise when the severities of collisions between different agents are classified numerically.

Kandidaatintyö käsittelee riskikenttiä (engl. risk field) mallina itseajavien ajoneuvojen riskianalyysissä. Itseajavat ajoneuvot vaativat riskianalyysimalleja tunnistamaan ja täten välttämään riskitilanteet liikenteessä. Tieteellisessä kirjallisuudessa on esitetty tarve riskianalyysimenetelmille, jotka kuvaisivat liikenneriskiä yksityiskohtaisesti ottaen monet liikennekäyttäjät huomioon. Riskikenttiä on ehdotettu ratkaisuksi tarpeeseen. Tällä hetkellä laajemmin käytössä olevat yksinkertaisemmat mallit perustuvat yksittäisiin ajoneuvojen välisiin etäisyysmittoihin ja ajoneuvojen liiketilaan. Näitä malleja käytetään esimerkiksi kaistavahdeissa ja törmäysten välttämiseen ajoneuvojen ajaessa peräkkäin. Työn tutkimus suoritettiin kirjallisuustutkimuksena, jossa käytiin läpi erityylisiä riskikenttiä, niiden mallinnusmenetelmiä ja käyttökohteita sekä vertailtiin riskikenttiä mainittuihin laajemmin käytössä oleviin malleihin.

Riskikenttiä on lukuisia erityyppisiä ja moni niistä kutsuu itse kenttää eri nimillä. Kaikki mallit kuitenkin pyrkivät samaan; mallit määrittävät riskin jakautumisen itseajavan auton ympäristössä. Riski määritellään ajoneuvojen törmäystodennäköisyyden ja törmäyksen seurausten vakavuuden tulona. Törmäystodennäköisyyttä kuvataan ajoneuvojen ennustettujen liikeratojen päällekkäisyyksien suurudella. Törmäyksen seurausten vakavuutta kuvataan numeerisesti perustuen törmäävien osapuolien massaan, nopeuteen ja tyyppiin. Kaikki mallit eivät arvioi törmäyksen seurauksia, sen sijaan ne kuvaavat riskin yksinomaan törmäystodennäköisyyden avulla. Riskikentät voidaan määritellä tilallisiksi todennäköisyysmalleiksi.

Kenttien sovelluskohteet liikenneturvallisuudessa perustuvat siihen, että kun riski ympäristössä on paikannettu, se voidaan välttää etukäteen. Riskin ennakoimiseen hyödynnetään lyhyttä ennakointiaikaa, jonka avulla ennustetaan ajoneuvon tuleva sijainti sen oletetussa liikeradassa. Mikäli ajoneuvon sijainti on tulevaisuudessa ennakointiajan jälkeen riskikentän korkean riskin alueella, tulee ajoneuvon automaattisesti tehdä ohjausliikkeitä tai hälyttää kuskia riskin välttämiseksi. Riskikenttiä voidaan hyödyntää käyttökohteissa: ihmismäistä ajamista jäljittelevä autonominen ajaminen, automaattiset varoitus- ja jarrutusjärjestelmät sekä jalankulkijoiden liikeratojen ennustusmallit.

Riskikentät pystyvät kuvaamaan liikenneympäristöä monipuolisesti ja tarkasti, sillä ne pystyvät ottamaan huomioon ympäristön esteet ja tiemerkinnät, ajoneuvot ja muut liikenteen käyttäjät sekä niiden liikkeen. Vertailussa riskikentät osoittautuivat aikaisempia metodeja paremmiksi ympäristön riskin kuvaamisessa, mutta ne ovat vaativampia laskennallisen tehon kannalta. Riskikentät ovat hyvin riippuvaisia ajoneuvon sensoreiden toiminnasta, sillä ne vaativat paljon tarkkaa tietoa ympäristöstä. Eri mallien välillä on paljon eroja ja standardisointi on puutteellista. Riskikentät ovat teoriassa toimiva työkalu, mutta näyttö mallien toiminnasta tosielämän liikennetilanteissa on vajavaista. Tutkimuksessa nousi esiin myös eettisiä kysymyksiä törmäysten vakavuuden numeerisesta vertailusta.