Resumen

La investigación y el desarrollo de la tecnología de los vehículos autónomos (AV) han ido ganando terreno en todo el mundo. Sin embargo, pocos estudios han explorado en profundidad los factores que contribuyen a las colisiones con vehículos autónomos. El objetivo de este estudio es predecir la gravedad de las colisiones con vehículos autónomos y analizar los efectos de los distintos factores en la gravedad de las colisiones. Los datos de accidentes se obtuvieron de los informes de accidentes relacionados con AV presentados al Departamento de Vehículos Motorizados de California en 2019 e incluyeron 75 casos de accidentes sin lesiones y 18 casos de accidentes con lesiones. Los datos de puntos de interés (POI) se recopilaron de la interfaz de programación de aplicaciones (API) de Google Map. Se aplicó un análisis estadístico descriptivo para examinar las características de los choques que involucran AV en términos de tipo de colisión, gravedad del choque, movimiento del vehículo que precede a la colisión y grado de daño del vehículo. Para comparar el rendimiento de clasificación de diferentes clasificadores, utilizamos dos modelos de clasificación diferentes: eXtreme Gradient Boosting (XGBoost) y Classification and Regression Tree (CART). Los resultados muestran que el modelo XGBoost es más eficaz a la hora de identificar los accidentes con heridos en los que están implicados vehículos sin conductor. En comparación con el modelo XGBoost original, la recuperación y la media G del modelo XGBoost que combina datos de PDI mejoran en un 100 y un 11,1%, respectivamente. Las principales características que contribuyen a la gravedad de las colisiones son las condiciones meteorológicas, el grado de daño del vehículo, el lugar del accidente y el tipo de colisión. Los resultados indican que la gravedad de la colisión aumenta significativamente si los AV colisionan en una intersección en condiciones meteorológicas extremas (por ejemplo, niebla y nieve). Además, la probabilidad de que se produjera un accidente con heridos también era mayor en las zonas en las que los patrones de uso del suelo son muy diversos. Los conocimientos adquiridos en esta investigación podrían contribuir en última instancia a evaluar y mejorar las prestaciones de seguridad de los AV actuales.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:avs, colisiones, gravedad de las colisiones, modelo xgboost, tipo de colisión, daños del vehículo, interfaz de programación de aplicaciones google map, análisis estadístico descriptivo, diferentes modelos de clasificación, condiciones meteorológicas extremas
• Keywords:avs, crashes, crash severity, xgboost model, collision type, vehicle damage, google map application programming interface, descriptive statistics analysis, different classification models, extreme weather conditions