Predicting Time Pressure of Powered Two-Wheeler Riders for Proactive Safety Interventions
本文介绍了 MotoTimePressure (MTPS)，这是一种轻量级深度学习模型，通过一个包含 129,209 个特征窗口的新数据集，能够准确预测动力两轮车骑行者的时间压力，并证明了整合这些预测能显著增强碰撞风险预测，从而在智能交通系统中实现主动安全干预。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天，数以百万计的人们在两轮之上穿梭于世界各地，从繁忙的印度街道到安静的郊区道路。这些骑手面临着独特的危险；与汽车内的乘客不同，他们没有金属笼子来保护自己，且其平衡完全依赖于自身的身体控制。当骑手犯错时，后果往往是严重的。虽然超速和恶劣的路况是众所周知的事故原因，但有一种无形的力量在悄无声息地破坏着安全性：那就是“赶时间”的感觉。这种时间压力感，即在截止日期前到达目的地的迫切需求，改变了一个人的思考和行动方式。它使人的注意力变得狭窄，加快了决策速度，并常常导致人们做出那些在冷静状态下绝不会考虑的冒险行为。多年来，研究人员已经意识到这种心理状态非常危险，但一直缺乏一种能够实时检测它的方法。由于缺乏能够“感知”骑手压力的传感器，安全系统只能在错误发生之后做出反应，而不是在错误发生之前进行预防。
印度理工学院印多尔分校（IIT Indore）的一个研究小组通过开发一种能够预测骑手在发生碰撞前产生时间压力的系统，在解决这一问题方面迈出了重要一步。为了理解其运作原理，他们首先需要收集现实世界中并不存在的数据，因为要求人们在公共道路上进行危险驾驶以研究压力是不可能的。相反，他们建造了一个高保真摩托车模拟器——这是一个看起来和感觉起来都与真实摩托车完全一致的固定机器，周围环绕着显示虚拟城市的巨型屏幕。他们邀请了51名经验丰富的男性骑手参与实验，这些人代表了该地区绝大多数的摩托车死亡病例。他们在模拟器中经历了三种不同的情境：第一种情境下，骑手有充足的时间完成旅程；第二种情境下，他们被告知尽量不要迟到；第三种情境下，他们被告知目的地的门可能会关闭，从而创造了一个让他们感到必须赶时间的强压力环境。
当骑手在虚拟街道上行驶时，机器记录了他们做出的每一个动作，从他们挤压刹车杠的力量大小到他们换挡的方式。研究人员分析了超过12.9万个此类数据的快照，以观察骑手在感受到时间压力时的变化。结果非常显著。当骑手感到最紧迫的压力时，他们的平均速度比冷静时增加了近50%。他们的刹车变得更加剧烈，前刹车力增加了六倍以上，并且更频繁地进行突然且颠簸的制动。他们还在交叉路口进行冒险转弯，并且未能发出转向信号。或许最能说明问题的是，即使骑手试图通过更加小心来补偿压力，他们仍然犯了更多的错误。研究发现，在高压之下，骑手犯下的危险错误增加了10%，车辆控制能力下降了21%，这证明仅凭人类的本能不足以克服躁动心智带来的影响。
凭借这些关于压力如何改变行为的详细图景，研究人员构建了一个旨在识别这些模式的新型计算机模型。他们将其命名为 MotoTimePressure。该模型就像一个数字观察者，注视着来自摩托车传感器的实时数据流——包括速度、制动、转向和换挡——并立即计算骑手处于冷静、轻微压力还是高压状态。该模型经过训练，能够识别细微的紧迫迹象，例如快速的油门输入或不稳定的转向，这些现象通常发生在骑手意识到自己正在失去控制之前。在测试中，该系统表现出了极高的准确性，正确识别骑手状态的概率超过了91%。它还非常高效，体积小到可以在标准计算机芯片上运行，且处理速度快到可以在不到一毫秒内做出决策，这足以用于移动摩托车上的实时安全装置。
这项发现的真正力量在于系统检测到压力后所能做到的事情。研究人员展示了通过将这种预测输入到其他安全工具中，可以显著提高预测碰撞的能力。当他们将“时间压力”信号添加到现有的碰撞预测系统中时，这些系统的准确性大幅提升，几乎达到了如同系统能神奇地读取骑手心思般的完美预测水平。这为一种新型的安全干预手段打开了大门。与其等待骑手转向或过度刹车，智能摩托车可以检测到上升的压力，并进行温和的提醒，例如通过细微的震动或平静的声音提示，建议骑手减速或深呼吸。这种方法将安全从一种事后反应式的措施（发生在事故发生后）转变为一种预防性的措施（在事故发生前进行干预）。通过理解并预测时间压力这一无形的重量，这项工作为让两轮出行更加安全提供了一条路径，将转瞬即逝的紧迫感转化为可以挽救生命的信号。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。