自転車の安全性をプロアクティブに評価するための、潜在的にクリティカルな自転車操作のスマートフォンベース検出
Smartphone-Based Detection of Potentially Critical Cycling Manoeuvres for Proactive Cycling Safety Assessment
本研究では、スマートフォンの慣性センサーデータを用いて、プロアクティブな自転車の安全スクリーニングに役立つ可能性のある、選択された潜在的にクリティカルな自転車操作を検出できるかを評価した。2段階のワークフローがオフラインで評価された。ステージ1では、運動学的閾値を用いて高ダイナミックな操作が検出された際の短い候補センサーウィンドウを特定し、ステージ2では、機械学習分類器を用いて操作タイプを分類し、誤検出を減らした。このワークフローは、ドイツの10人のライダーから収集された3つのデータセット(制御されたテストコースでの操作、アーヘンとボンでの都市部での走行)を用いて評価された。データセットには、148回の急ブレーキ操作と132回の急ハンドル操作が含まれていた。さらに、低速衝撃様の信号パターンを比較するために、45件の自転車のみのクラッシュ様参照シーケンスが収集された。サポートベクターマシンは、急ブレーキで0.954、急ハンドルで0.884の平均精度-再現率曲線下面積を達成した。オフライン評価では、スマートフォンセンサーデータが、制御されたおよび半制御された条件下で良好な分類性能をもって、選択された高ダイナミックな自転車操作の検出をサポートできることが示された。しかし、ターゲット操作のほとんどは、確認された交通衝突ではなく、制御されたまたはライダー主導の代理操作であった。したがって、結果は直接的な衝突リスク検証ではなく、操作検出として解釈されるべきである。将来の自然主義的な研究では、このワークフローは、自転車が頻繁に急ブレーキをかけたり急ハンドルを切ったりする候補場所を特定するのに役立つ可能性がある。
- スマートフォンの慣性センサーデータと機械学習(サポートベクターマシン)を用いて、自転車の急ブレーキ(平均精度-再現率曲線下面積0.954)と急ハンドル(同0.884)の検出に成功した。
- ドイツのアーヘンとボンでの都市部走行データを含む3つのデータセット(148回の急ブレーキ操作、132回の急ハンドル操作)で評価された。
本研究はスマートフォンの慣性センサーと機械学習を用いた自転車の急ブレーキ・急ハンドル検出技術を実証しており、都市交通の安全性評価・スマートシティ市場への応用可能性を示している。特に、既存のスマートフォンを活用した低コストな安全スクリーニング手法は、保険・交通インフラ・モビリティサービス事業者にとってデータ活用の機会となる。ただし、現時点では研究段階であり、実用化・商業化には自然主義的な実証データが不足している点は留意が必要。