Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

毎日、何百万人もの人々が、車が自分たちを見て止まってくれると信じて、歩道の縁から車道を渡っています。しかし、アメリカ全土の都市部では、この信頼が頻繁に裏切られています。歩行者が安全な隙間を待たずに渡ったり、信号を無視したりした際に、車両が譲りきれなかった場合、その結果はしば Gr 多くの場合、悲劇へとつながります。これらの「譲りきり失敗（failure-to-yield）」の事例は、ランダムな事故ではありません。それは、人がどこに立っていたのか、それが一日のうちのどの時間帯なのか、そして誰がハンドルを握っていたのかに基づいた、特定のパターンに従っています。何十年もの間、安全の専門家たちは、警察の報告書を精査したりビデオ映像を観察したりすることで、これらの瞬間を理解しようと試みてきましたが、これらの手法は時間がかかる上に、今日利用可能な膨大なデータの量に対処することに苦慮しています。問題は、交通記録の膨大なアーカイブを使用して、これらの危険な相互作用を支配する隠れたルールを明らかにできるのか、そして、単に「衝突が起きた」ということだけでなく、「なぜ」衝突が起きたのかを説明できる方法でそれが可能なのか、という点にあります。

テキサス州立大学の研究チームは、新しい種類のコンピュータ・インテリジェンスを用いることで、この問いに答えるべく立ち上がりました。彼らは、2016年から2023年までの米国におけるすべての致命的な交通事故の詳細な記録を含む国家データベースである、死亡事故分析報告システム（FARS）からデータを収集しました。単に死亡者数のような一つの数値を予測するのではなく、彼らはコンピュータに対し、衝撃の瞬間に歩行者がどのように動いていたかに基づいて、これらの悲劇的な出来事を特定のカテゴリーに分類するよう求めました。彼らは、歩行者の動きを「左側からの横断」、「右側からの横断」、「通常とは異なる方向からの横断」、あるいは「方向が不明な横断」といったタイプに分類する、歩行者・自転車衝突分析ツール（PB CAT）と呼ばれる分類システムを使用しました。このデータをAutoGluonと呼ばれる自動機械学習システムに投入することで、研究者たちは、コンピュータが異なる種類の衝突を区別するための最も正確な方法を見つけ出す自律的なモデルを構築することを可能にしました。

コンピュータは単に推測したのではなく、学習したのです。数十種類の異なる数学的アプローチをテストした後、システムはLightGBMと呼ばれる手法に落ち着きました。これが最も正確であることが証明されました。このモデルは、テストされた致命的なケースの約80パーセントにおいて、歩行者の動作タイプを正しく特定しました。さらに重要なことに、研究者たちはコンピュータを、単に理由を説明せずに答えを出すだけの「ブラックボックス」として放置しませんでした。彼らは、モデルの内部を覗き込み、どの要因が予測をどちらの方向に押し上げているのかを見るための、まるで「拡大鏡」のような役割を果たすSHAPという技術を使用しました。これにより、事故が発生した年、歩行者の正確な位置、道路の種類、そしてドライバーの年齢が、衝突がどのように展開するかを決定する最も強力な手がかりであることが明らかになりました。

研究者たちが結果を詳しく調べると、それぞれの横断タイプに対して明確な物語が浮かび上がってきました。左側から横断したケースでは、コンピュータは、最も重要な要因は歩行者の位置であることを示しました。これらの事例は、標識のある横断歩道から離れた、ブロックの中央での横断と強く結びついており、ドライバーがそこに人が現れることを想定していない場所です。また、分析により、高齢のドライバーがこれらのシナリオにおいて特に脆弱であることが強調されました。これは、予期せぬ人が横から飛び出してきた際に、反応速度が低下するためと考えられます。

右側から横断した歩行者が関与する衝突については、物語は異なります。ここでは、ドライバーの年齢が再び主要な役割を果たしていましたが、車両のタイプや時刻も影響していました。データは、これらの衝突がしばしば右折時に発生していることを示唆しています。右折は、一度に複数の方向を見る必要がある操作です。コンピュータの分析によれば、ドライバーは、車のピラーによって視界が遮られている場合や、車が完全に停止せずに曲がれるスリップレーンが含まれる道路設計の場合など、歩行者が現れる可能性のあるエリアをスキャンすることを怠ることが多いことが示されました。これらのケースでは、ドライバーの注意が分散しており、歩行者は手遅れになるまでブラインドスポット（死角）に隠れてしまうのです。

最も混乱を招くカテゴリー、すなわち歩行者の方向が不明または通常ではないケースにおいては、高齢の歩行者と視界の悪さがパターンとして示されました。これらの衝突は、深夜や悪天候の中で、多くの場合、指定された横断地点から離れた場所で行われています。データは、これらの事例が冬季に多く、かつSUVのような大型車両が関与していることが多いことを示しました。大型車両は、地面にいる人物の視界を遮ってしまうことがあります。コンピュータは、歩行者が予測不可能な方法で横断する場合、暗闇、天候、そして車両のサイズが組み合わさることで、致命的なエラーを引き起こす「完璧な嵐」が生み出されることを学習しました。

これらの知見は、すべての歩行者衝突が同じであるという考えに異を唱えるものです。むしろ、それぞれ異なる種類の横断失敗には、独自の原因があることを示しています。ブロックの中央での飛び出しによる衝突は、右折中に歩行者が現れたことによる衝突とは、異なる要因によって引き起こされます。この区別は、安全計画を立てる上で極めて重要です。これは、例えば「横断歩道を増やす」といった単一の解決策では、あらゆる問題を解決できないことを示唆しています。真に命を救うためには、都市は右折ドライバーの視線を改善するために特定の交差点を再設計したり、夜間の横断のための照明を強化したり、あるいは予期せぬ歩行者に素早く反応することに苦慮する高齢ドライバー向けのターゲットを絞った教育プログラムを作成したりする必要があるかもしれません。

自動学習を用いて長年の致命的な衝突データを精査することで、本研究は単純な統計を超えて、危険の具体的なメカニズムを明らかにしました。これは、適切なツールがあれば、悲劇に至る正確な条件を理解できることを証明しています。この研究は魔法のような解決策を提示するものではありませんが、リスクがどこにあるのかを示す明確な地図を提供しています。安全性とは単にルールに従うことではなく、衝突の直前の瞬間に起こる、人間の行動、車両設計、そして道路形状の複雑なダンスを理解することであると、この研究は示しているのです。この知識を得ることで、エンジニアや政策立案者は、ようやく、平均的な一日を安全にするだけでなく、物事がうまくいかない時に最も脆弱な人々を守ることができる、より強靭な街づくりを始めることができるのです。