Technische Samenvatting: DRIFT – Driving Risk Inference via Field Transmission

1. Probleemstelling

Moderne Intelligent Transportation Systems (ITS) staan voor aanzienlijke uitdagingen bij het modelleren van risico's in gemengde verkeersomgevingen, met name in interactieve scenario's zoals het invoegen op snelwegen en rijbaanwissels. Traditionele veiligheidsmetrieken, zoals Time-to-Collision (TTC) en Post-Encroachment-Time (PET), zijn doorgaans paarsgewijs, momentaan en scalair. Hoewel deze metrieken nuttig zijn, slagen ze er niet in de ruimtelijke structuur van multi-agent interacties te vatten en ontbreekt het ze aan het vermogen om te redeneren over de intenties en onzekerheden van omringende agenten buiten discrete locaties.

Bovendien lijden bestaande veldgebaseerde risicorepresentaties (potentievelden) aan drie primaire beperkingen:

1. Statische Aard: Veel risicovelden zijn frame-voor-frame of statisch, zonder een gedeelde transmissiewet voor temporele anticipatie.
2. Ongedekte Afhandeling van Occlusie: Occlusie wordt vaak beheerd via eenvoudige masking of heuristische padding in plaats van expliciete latent-risk propagatie en vrijgave-mechanismen.
3. Evaluatiekloven: Huidige evaluaties vertrouwen sterk op scalare Surrogate Safety Measures (SSM's), die niet volledig kunnen diagnosticeren of de ruimtelijke structuur en het propagatiegedrag van een risicoveld correct zijn, vooral in gecamoufleerde of verre gebieden.

2. Methodologie: Het DRIFT-kader

De auteurs stellen DRIFT (Driving Risk Inference via Field Transmission) voor, een spatiotemporale risicoveld dat wordt beheerst door een partiële differentiaalvergelijking (PDE) van het type advektie–diffusie–reactie. Het kader werkt binnen een ego-centric Bird's Eye View (BEV)-domein $\Omega$.

A. Beheersende PDE

Het risicopotential $R(x, t)$ evolueert in de tijd volgens de volgende vergelijking:
$$\frac{\partial R}{\partial t} = \underbrace{\nabla \cdot (D \nabla R)}_{\text{Diffusie}} - \underbrace{\nabla \cdot (vR)}_{\text{Advektie}} + \underbrace{Q(x, t)}_{\text{Bron}} - \underbrace{\lambda(x, t)R}_{\text{Verval}}$$

• Advektie: Transmiteert geïnjecteerde gevaren langs de effectieve verkeersstroom ($v$), waardoor risico kan ontstaan voordat een interactie fysiek het ego-voertuig bereikt.
• Diffusie: Gladde scherpe pieken en verspreidt positionele onzekerheid, wat cruciaal is binnen occlusiegebieden waar de verdeling van verborgen agenten breed is.
• Verval: Verwijdert verouderde gevaren en voorkomt dat persistente "wake's" de kaart domineren nadat interacties zijn beëindigd of zichtbaarheid is teruggekeerd.
• Telegrafist-term: Een optionele inertieterm ($\tau \frac{\partial^2 R}{\partial t^2}$) is opgenomen in de modelformulering om een eindige propagatiesnelheid af te dwingen, hoewel deze in experimenten op nul is gezet voor rekenkundige efficiëntie.

B. Brontermen ($Q$)

Het totale bronveld is een additieve samenstelling van drie componenten:

1. Voertuig-geïnduceerd Risico ($Q_{veh}$): Gemodelleerd met behulp van anisotrope Gauss-kernen geplaatst bij waargenomen agenten om door snelheid veroorzaakt risico en interactieprimitieven te vangen.
2. Occlusie Latente Gevaren ($Q_{occ}$): Een geometrie-gekoppelde mechanisme dat latente risico's injecteert in het ego-view schaduwgebied ($\Omega_{occ}$) veroorzaakt door grote voertuigen (bijv. vrachtwagens). De vervalsnelheid $\lambda$ is dynamisch gekoppeld aan de schaduwmasker; verval wordt verminderd wanneer schaduwen uitbreiden (toestemming voor risico-accumulatie) en verhoogd wanneer schaduwen terugtrekken (verwijdering van niet-ondersteund risico).
3. Merge-Druk ($Q_{merge}$): Encodeert topologie-gedreven conflictdruk nabij invoegzones op basis van rijbaangeometrie en prioriteiten voor conflictzones.

C. Evaluatieprotocol

Om de beperkingen van scalare SSM's aan te pakken, introduceren de auteurs veld-native evaluatiemetrieken:

• Lane-Change Risk Differential (LCRD): Meet het fraction van geregistreerde rijbaanwissels die bewegen naar cellen met lager risico.
• Temporal Anticipation Index (TAI): Kwantificeert hoe vroeg de velddrempel wordt overschreden ten opzichte van een gevaarlijk evenement, genormaliseerd naar menselijke reactietijd.
• Risk Persistence Ratio (RPR): Kwantificeert post-event risicogeheugen.
• Occlusion Sensitivity Index (OSI): Meet risicosensitiviteit ten opzichte van de occlusieratio.
• Occlusion Response Latency (ORL): Meet de tijdsvertraging in het reageren op schaduwwijzigingen.
• $\Delta$Coll.: De relatieve toename van near-collision gebeurtenissen onder occlusie versus volledige zichtbaarheid.

3. Belangrijkste Bijdragen

1. Gecombineerd PDE-transmissiemodel: Een principieel substraat voor risico dat temporeel geheugen behoudt (via verval), gevaren stroomafwaarts propageert (via advektie) en ruimtelijke onzekerheid verspreidt (via diffusie).
2. Geometrie-gekoppeld Occlusie-verval: Een nieuw mechanisme waarbij de lokale vervalsnelheid van het veld direct reageert op de veranderingssnelheid van de schaduwmasker, waardoor dynamische accumulatie en vrijgave van latente gevaren mogelijk wordt.
3. Veld-native Evaluatie: Een uitgebreid protocol bestaande uit gedrags-, propagatie- en occlusie-responsmetrieken die bestaande SSM's aanvullen.

4. Experimentele Resultaten

Het kader werd geëvalueerd op real-world verkeersdatasets (exiD, rounD, inD) tegen statische physics-informed baselines (TPF, APF, DPDRF) en dynamische data-driven baselines (EDRF, RiskNet).

• Gedragsconsistentie: DRIFT behaalde de hoogste alignering met waargenomen bestuurdersacties, met een LCRD van 89% (tegenover 82% voor RiskNet en 78% voor EDRF). Het toonde ook de hoogste post-event risicobehoud (RPR 0,74).
• Propagatievoordeel: DRIFT bood de grootste anticipatiemarge, met een TAI van 0,41 (ongeveer 0,62s voorsprong), significant beter dan dynamische baselines (RiskNet: 0,24, EDRF: 0,18). Statische baselines konden niet worden geëvalueerd op TAI vanwege het ontbreken van temporeel geheugen.
• Occlusie Robuustheid: Onder occlusie verminderde DRIFT de toename van near-collision rates tot +1,4% (tegenover +3,5% voor RiskNet en +4,7% voor EDRF). Het behaalde de snelste occlusie-respons latency (0,31 s) en de hoogste temporele stabiliteit (Temp. 0,91).
• Ablatiestudies: Resultaten bevestigden dat advektie temporele anticipatie aandrijft, diffusie occlusie-conservatisme verbetert, en geometrie-gekoppeld verval de primaire drijver is voor snelle zichtbaarheidsrespons en temporele consistentie.

5. Betekenis en Beweringen

Het artikel beweert dat DRIFT een ruimtelijk gestructureerd alternatief biedt voor scalare veiligheidsmetrieken, waardoor downstream modules kunnen redeneren buiten discrete agentlocaties. Door risico te behandelen als gepropageerde informatie in plaats van een statisch potentieel, slaagt DRIFT erin om:

• De occlusie-respons latency met 52% te verminderen ten opzichte van geselecteerde baselines.
• De near-collision rate onder occlusie met 2,1% te verlagen in synthetische scenario's.
• Vroegere waarschuwingen te bieden en betere alignering met bestuurdersbeslissingen in invoeg- en rijbaanwisselscenario's.

De auteurs concluderen dat de PDE-gebaseerde formulering interpreteerbare ruimtelijke risicostucturen en stabiele temporele dynamiek oplevert. Zij merken op dat hoewel de huidige parameters instelbaar zijn, toekomstig werk erop gericht is het kader uit te breiden tot universele risicomodellering voor rijkere kruispuntgeometrieën en multi-agent bewegingsplanning. De code is beschikbaar gesteld om verder onderzoek te faciliteren.