🤖 AI

Modeling Vehicle-Type-Specific Pedestrian Crash Avoidance Behavior in Safety-Critical Interactions Using Smooth-Mamba Deep Reinforcement Learning

Deze studie introduceert het SMamba-DDPG-kader, een Smooth-Mamba Deep Reinforcement Learning-model dat voertuigtype-specifieke gedragingen van voetgangers bij het vermijden van botsingen effectief vastlegt, en aantoont dat voetgangers sneller en voorzichtiger reageren op geautomatiseerde voertuigen dan op door mensen bestuurde voertuigen, waardoor kritieke inzichten worden geboden voor het ontwerp van veiligere geautomatiseerde rijsystemen en realistische simulaties van gemengd verkeer.

Oorspronkelijke auteurs: Qingwen Pu, Kun Xie, Hong Yang, Di Yang, Junqing Wang

Gepubliceerd 2026-05-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Qingwen Pu, Kun Xie, Hong Yang, Di Yang, Junqing Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drukke stads kruising voor als een gigantisch, hoog-risico dansvloer. Aan de ene kant heb je menselijke bestuurders (HDV's) die misschien zwaaien, oogcontact maken of toeteren om te zeggen: "Ik zie je, ga maar!" Aan de andere kant heb je zelfrijdende auto's (AV's), die lijken op dansers die nooit spreken, nooit oogcontact maken en gewoon een strikt, stil script volgen.

De grote vraag die dit artikel stelt is: Hoe verandert de dansstap van een voetganger, afhankelijk van of ze dansen met een praterige mens of een stille robot?

Hier is een uiteenzetting van de reis van de studie, met eenvoudige analogieën:

1. Het Probleem: Het Effect van de "Stille Partner"

De meeste veiligheidsresearch richt zich op hoe de auto probeert de persoon niet aan te rijden. Maar deze studie draait het script om. Het vraagt zich af: Hoe reageert de persoon wanneer hij of zij een robotauto ziet versus een menselijke auto?

De Kloof: Mensen vertrouwen op sociale aanwijzingen (oogcontact, handgebaren) om te weten of een auto zal stoppen. Robots doen dit niet. De onderzoekers wilden weten of deze stilte mensen laat bevriezen, aarzelen of anders bewegen wanneer een crash dreigt.

2. Het Gereedschap: Een "Superhersenen" voor Verkeer

Om dit uit te vinden, keken de onderzoekers niet alleen naar video's; ze bouwden een digitaal "brein" met behulp van een nieuw type kunstmatige intelligentie genaamd SMamba-DDPG.

De Analogie: Denk aan standaard AI als een student die één wiskundeprobleem per keer bestudeert. Als het probleem plotseling verandert (zoals een auto die uitwijkt), raakt de student in de war.
De Innovatie: Het nieuwe "SMamba"-brein is als een student die het hele verhaal van het verkeersbeeld kan onthouden, niet alleen de laatste seconde. Het heeft ook een "gladmakend filter" (zoals ruisonderdrukkende hoofdtelefoons) dat helpt om kalm te blijven en soepele beslissingen te nemen, zelfs als de situatie chaotisch en eng wordt.
De Training: Ze voerden dit brein data aan uit de Argoverse 2-dataset – een enorme bibliotheek met real-world rijvideo's uit zes steden in de VS. Ze leerden het brein twee aparte manieren om te gedragen: één manier voor interactie met menselijke bestuurders, en een volledig andere manier voor interactie met robotbestuurders.

3. Het Experiment: De Dans Herhalen

Zodra de AI getraind was, vroegen de onderzoekers het om duizenden bijna-ongevalscenario's te "herhalen" om te zien of het echt menselijk gedrag kon nabootsen.

Het Resultaat: De AI was ongelooflijk nauwkeurig. Het kon precies voorspellen hoe een echt persoon zou versnellen, vertragen of zijwaarts zou stappen om een botsing te vermijden.
De Ontdekking: De AI bevestigde dat mensen wel anders reageren.
- Snellere Reactie op Robots: Verrassend genoeg reageerden mensen sneller op de zelfrijdende auto's dan op menselijke auto's. Het is alsof de stilte van de robot mensen sneller in actie deed springen, misschien omdat ze niet wilden wachten op een signaal dat misschien nooit zou komen.
- Langzamere Oversteek: Echter, zodra ze begonnen te bewegen, liepen mensen langzamer over straat wanneer ze geconfronteerd werden met een robotauto. Ze waren voorzichtiger, namen kleinere passen en bewogen zorgvuldiger.

4. De "Wat Als"-Scenario's (Contrfactuelen)

De onderzoekers draaiden een leuk experiment: "Wat als we de 'Robot-geangstde' voetganger voor een menselijke auto zetten?"

Het Resultaat: De voetganger werd overdreven voorzichtig, liep langzamer en remde vaker dan een echte mens zou doen.
Het Omgekeerde: Als ze de "Mens-geangstde" voetganger voor een robot zetten, liepen ze sneller en waren ze agressiever.
De Les: Dit bewijst dat ons gedrag sterk beïnvloed wordt door wie (of wat) we aankijken. We kunnen niet gewoon één regelboek gebruiken voor alle auto's; we hebben verschillende regels nodig voor robots en mensen.

5. Het Veiligheidsoordeel

Tot slot gebruikten de onderzoekers hun AI om duizenden nieuwe "wat-als"-ongevalscenario's te genereren om te zien wie veiliger is.

De Bevinding: Hoewel mensen voorzichtiger zijn rondom robots, was het conflictpercentage (de kans op een bijna-ongeval) eigenlijk lager bij interactie met zelfrijdende auto's vergeleken met menselijke auto's.
Waarom? Omdat zelfrijdende auto's consistenter en voorspelbaarder waren, voelden voetgangers dat ze op de robot konden vertrouwen om te stoppen, wat leidde tot minder chaotische, gevaarlijke momenten.

Samenvatting

Dit artikel bouwde een slim computermodel om te leren hoe voetgangers om auto's dansen. Het vond dat we robotauto's anders behandelen dan menselijke auto's: we reageren sneller op hen, maar bewegen voorzichtiger. Door deze verschillen te begrijpen, kunnen we veiligere zelfrijdende auto's ontwerpen die precies weten hoe ze met ons moeten interageren, waardoor onze stadsstraten een veiligere dansvloer worden voor iedereen.

Technische Samenvatting: Modellering van Voertuigtype-specifiek Gedrag bij het Vermijden van Fietsersongevallen met Behulp van Smooth-Mamba Deep Reinforcement Learning

1. Probleemstelling

Naarmate geautomatiseerde voertuigen (AV's) de weg meer delen met door mensen bestuurde voertuigen (HDV's), bestaat er een kritieke onderzoeksleemte in het begrijpen hoe voetgangers anders reageren op deze verschillende voertuigtypes tijdens veiligheidskritieke interacties. In tegenstelling tot HDV-bestuurders missen AV's niet-verbale sociale signalen (zoals oogcontact en gebaren) waarop voetgangers vertrouwen om voorrang te regelen, wat mogelijk het vertrouwen van voetgangers, hun risicoperceptie en hun ontwijkingstrategieën verandert.

Bestaande literatuur kampt met drie primaire beperkingen:

Voertuiggerichte Focus: De meeste studies geven prioriteit aan AV-veiligheidssystemen (zoals noodremming en trajectplanning) in plaats van het modelleren van gedragsveranderingen bij voetgangers tijdens interacties.
Gebrek aan Differentiatie: Huidige kaders aggregeren vaak AV- en HDV-interacties, waardoor ze niet in staat zijn te vatten hoe specifieke voertuigtypes de besluitvorming van voetgangers beïnvloeden.
Verwaarlozing van Veiligheidskritieke Gebeurtenissen: Traditionele modellen richten zich op routinematig oversteken of gedrag in de vroege aanloopfase, en negeren de sequentiële dynamiek van noodontwijking wanneer botsingen imminent zijn.

Bovendien worstelen standaard Deep Reinforcement Learning (DRL) architecturen met het "zeldzame-gebeurtenis"-karakter van veiligheidskritieke data, waarbij ze trainingsinstabiliteit vertonen tijdens abrupte statetoestanden (zoals plotseling remmen of scherpe bochten) en niet effectief langdurige temporele afhankelijkheden kunnen vangen.

2. Methodologie

2.1. Data Bron en Verwerking

De studie maakt gebruik van het Argoverse 2 Motion Forecasting Dataset, bestaande uit 250.000 hoogresolutie stedelijke rijscenario's.

Differentiatie: Het dataset onderscheidt tussen het ego-voertuig (een AV uitgerust met zichtbare LiDAR en camera's) en alle andere voertuigen (HDV's).
Extractie: Veiligheidskritieke interacties werden geïdentificeerd met de Curvilineaire Time-to-Collision (CurvTTC) metriek, die rekening houdt met gebogen voertuigtrajecten en niet-lineaire voetgangersbewegingen, in tegenstelling tot traditionele rechte-lijn TTC.
Dataset Verdeling: 411 Voetganger-AV en 2.404 Voetganger-HDV veiligheidskritieke interacties werden geëxtraheerd. Deze werden verdeeld in 80% voor training en 20% voor testen.

2.2. Het SMamba-DDPG Kader

Om voetgangerbotsing-ontwijking te modelleren, stellen de auteurs het Smooth-Mamba Deep Deterministic Policy Gradient (SMamba-DDPG) kader voor. Deze architectuur adresseert de instabiliteit van standaard DRL bij het leren van zeldzame gebeurtenissen door gestructureerde state-space modellen te integreren met gladmakende mechanismen.

Architectuur: Het kader hanteert een Actor-Critic structuur waarbij beide netwerken SMamba-blokken embedden.
Mamba Integratie: Het Mamba (Selectief State Space Model) component vangt langdurige temporele afhankelijkheden en filtert ruis efficiënter dan LSTM- of Transformer-gebaseerde DRL.
Gladmakend Mechanisme: Om distributie-onevenwichtigheden en activatiepieken die vaak voorkomen bij noodmanoeuvres aan te pakken, introduceren de auteurs een Smooth-SiLU (S-SiLU) activatiefunctie en passen gladmakende vectoren toe op de gating en output-projecties binnen het Mamba-blok. Dit stabiliseert de gradiëntstroom tijdens abrupte statetoestanden zonder inferentie-overhead toe te voegen.
Beleid Leren:
- State Space ( $S_t$ ): Omvat relatieve longitudinale/laterale afstanden, snelheden en relatieve snelheden tussen de voetganger en het voertuig.
- Action Space ( $A_t$ ): Continue acceleratiecommando's voor de voetganger in longitudinale en laterale richtingen.
- Beloningsfunctie: Er werd een tweeniveau beloningssysteem getest. Stap-niveau beloningen omvatten op afstand gebaseerde, op relatieve snelheid gebaseerde en op absolute snelheid gebaseerde formuleringen. Episodeniveau beloningen omvatten botsingsstraffen en beloningen voor het bereiken van het doel. De op absolute snelheid gebaseerde beloning ( $R_V$ ) bleek het meest stabiele en realistische gedrag te leveren.

2.3. Experimenteel Ontwerp

Separate Training: Twee distincte modellen werden onafhankelijk getraind: één voor Voetganger-AV interacties en één voor Voetganger-HDV interacties.
Basislijnen: Het voorgestelde model werd vergeleken met supervised learning modellen (NN, LSTM, Transformer) en standaard/hybride DRL modellen (DDPG, DQN, LSTM-DDPG, Transformer-DDPG, Mamba-DDPG).
Validatie: De studie maakte gebruik van trajectreconstructie, reactietijdanalyse, contrafactual scenario testen en grootschalige veiligheidsanalyse met modelgegenereerde data.

3. Belangrijkste Bijdragen

Kwantitatieve Modellering van Voertuigtype-Specificiteit: Dit is een van de eerste studies die voetgangerbotsing-ontwijkingsgedrag specifiek voor AV's versus HDV's kwantitatief modelleert en vergelijkt met behulp van een DRL kader.
SMamba-DDPG Kader: De ontwikkeling van een nieuw DRL architectuur die Mamba state-space modellen integreert met gladmakende mechanismen om het leren te stabiliseren in zeldzame, veiligheidskritieke gebeurtenissen en distributie-onevenwichtigheden aan te pakken.
Uitgebreid Analyse Kader: De vestiging van een validatiepijplijn inclusief reactietijdanalyse, contrafactual experimenten (het omwisselen van beleidslijnen tussen voertuigtypes) en grootschalige conflict-risico evaluatie om gedragsverschillen te kwantificeren.

4. Resultaten

4.1. Model Prestatie

Superieure Nauwkeurigheid: Het SMamba-DDPG kader presteerde beter dan alle basislijnen. De op snelheid gebaseerde variant ( $SMamba-DDPG_V$ $S M amba - D D P G_{V}$ ) bereikte de laagste Root Mean Square Error (RMSE) over kinematische variabelen.
- Voetganger-AV: Longitudinale Snelheid RMSE = 0,62 m/s; ADE = 0,65 m; FDE = 1,12 m.
- Voetganger-HDV: Longitudinale Snelheid RMSE = 0,63 m/s; ADE = 0,64 m; FDE = 1,13 m.
Stabiliteit: Het gladmakende mechanisme slaagde erin de trainingsvariantie te verminderen en de convergentie te verbeteren in vergelijking met standaard DDPG en andere hybride modellen.

4.2. Gedragsverschillen

Reactietijden: Voetgangers reageerden significant sneller op AV's dan op HDV's. Het model reproduceerde deze mensachtige reactievertragingen nauwkeurig, zonder significante statistische verschillen tussen gereconstrueerde en real-world data.
Contrafactual Analyse:
- Wanneer een op AV getraind beleid werd toegepast op HDV trajecten, vertoonden voetgangers lagere oversteeksnelheden (14,7% reductie) en soepelere acceleratieprofielen, wat wijst op een meer conservatieve strategie.
- Wanneer een op HDV getraind beleid werd toegepast op AV trajecten, vertoonden voetgangers hogere oversteeksnelheden (2,17 m/s versus 1,08 m/s) en assertiever gedrag.
Rijgedrag: In grootschalige simulaties gaven voetgangers vaker voorrang aan AV's (46,07%) in vergelijking met HDV's (37,15%), wat wijst op grotere voorzichtigheid of onzekerheid met betrekking tot AV-besluitvorming.

4.3. Veiligheidsanalyse

Grootschalige analyse van modelgegenereerde data onthulde dat Voetganger-AV interacties consistent lagere conflictrates opleverden dan Voetganger-HDV interacties over alle snelheidscondities heen. Bij hoge snelheden (>3,5 m/s) waren AV conflictrates 10–15 procentpunten lager dan HDV rates.

5. Betekenis en Claims

Het artikel beweert dat de bevindingen de noodzaak benadrukken van het integreren van voertuigtype-specifieke voetgangersgedragsmodellen voor:

Veiligere AV Ontwerp: Het begrijpen dat voetgangers anders reageren (sneller maar voorzichtiger) op AV's kan AV-besturingsstrategieën en interactieontwerpen informeren (zoals externe mens-machine interfaces).
Realistisch Verkeerssimulatie: Het aggregeren van AV- en HDV-interacties in één model compromitteert de nauwkeurigheid van gemengd-verkeerssimulaties. Separate beleidslijnen zijn vereist om risico en rijgedrag nauwkeurig te voorspellen.
Risico Evaluatie: De studie demonstreert dat voetgangersrisicoperceptie niet statisch is, maar dynamisch wordt beïnvloed door het waargenomen type van het naderende voertuig, waarbij AV's een meer conservatief (voorrang verlenend) antwoord induceren ondanks snellere reactietijden.

De auteurs concluderen dat het SMamba-DDPG kader een robuuste methode biedt voor het vangen van de sequentiële, abrupte dynamiek van voetgangerontwijking, en een weg biedt naar realistischere en veiligere implementatie van geautomatiseerde rijsystemen.