Enhancing road safety for VRUs: automatic collision prediction using V2X data

Abstract

Intelligent Transportation Systems (ITS) are systems that consist on a complex set of technologies that are applied to road agents, aiming to provide a more efficient and safe usage of the roads. The safety aspect of ITS is particularly important for Vulnerable Road Users (VRUs), as they are typically more exposed to dangerous situations. The fact that these users typically possess poorer safety mechanisms (comparing to regular vehicles), together with their high agility and hard to anticipate behavior, makes the implementation of automatic safety systems challenging. However, if road entities are equipped with communication technologies, they are able to frequently disseminate high amounts of ego and environmental traffic information. That huge collection of Vehicle to Anything (V2X) data can be leveraged by Machine Learning (ML) mechanisms to implement such automatic safety systems for VRUs. Hence, this Ph.D. work aims to evaluate the feasibility of leveraging V2X communications data when using ML to predict collisions related to VRUs (in particular, motorcycles). This thesis presents a system architecture (based on Fog Computing) that gives support to the heavy requirements that are required by the system - particularly regarding computation resources and large amounts of storage that the ML models require for training and testing. Two different safety systems are presented and evaluated: one for the detection of collisions and one for the prediction of future collisions. The datasets that were used for the ML models training, validation and testing were synthesized from simulation scenarios based on European Telecommunications Standards Institute (ETSI) standards (implemented using the Vehicles in Network Simulation (VEINS) framework). A simulation prototype was also developed to evaluate the collision prediction system (running the models on-line on the simulation framework). The results indicate that the proposed systems are able to detect and predict the collisions accurately. Furthermore, regarding the collision prediction system, most predictions are also achieved in a timely manner - as predictions are made early enough, the vehicles have enough time to receive warning messages and perform emergency brakes, thus being able to prevent the collisions.

ITS são sistemas que consistem num conjunto complexo de tecnologias que são aplicados aos agentes rodoviários, com o objetivo de proporcionar um uso mais eficiente e seguro das vias. O aspeto da segurança em ITS é particularmente importante para os VRUs, pois estes estão tipicamente mais expostos a situações perigosas. O facto desses utilizadores possuírem normalmente sistemas de segurança menos sofisticados (quando comparados com os veículos normais), juntamente com a sua elevada agilidade e comportamento difícil de antecipar, torna a implementação de sistemas automáticos de segurança num desafio. No entanto, se as entidades rodoviárias estiverem equipadas com tecnologias de comunicações, elas podem disseminar com frequência grandes quantidades de informação individual e também ambiental. Essa grande quantidade de dados V2X pode ser aproveitada por mecanismos de ML para implementar tais sistemas automáticos de segurança para VRUs. Assim, este trabalho de doutoramento visa avaliar a viabilidade de aproveitar os dados de comunicação V2X em técnicas de ML para prever colisões relacionadas com VRUs (em particular, motociclos). Esta tese apresenta uma arquitetura baseada em Fog Computing, que dá suporte aos requisitos pesados que são exigidos pelo sistema - particularmente em relação aos recursos de computação e à grande capacidade de armazenamento que os modelos de ML exigem para treino e teste. São propostos e avaliados dois sistemas de segurança diferentes: um para o deteção de colisões e outro para previsão de colisões futuras. Os conjuntos de dados que foram usados para o treino, validação e teste dos modelos de ML foram sintetizados a partir de cenários de simulação baseados em standards da ETSI (implementados usando a framework de simulação VEINS). Foi também desenvolvido um protótipo de simulação para avaliar o sistema de previsão de colisões, que executa os modelos on-line diretamente na framework de simulação. Os resultados indicam que os sistemas são capazes de detetar e prever as colisões com precisão. Além disso, em relação ao sistema de previsão de colisões, a maioria das previsões é realizada em tempo útil - como as previsões são feitas com antecedência suficiente, os veículos têm tempo suficiente para receber mensagens de alerta e realizar travagens de emergência, podendo assim evitar as colisões.