Resumen

Predecir las trayectorias de los vehículos vecinos es esencial para evitar o mitigar colisiones con los participantes del tráfico. Sin embargo, debido a la información previa inadecuada y a la incertidumbre en las maniobras de conducción futuras, la predicción de trayectorias es una tarea difícil. Recientemente, se han abordado modelos de predicción de trayectorias utilizando aprendizaje profundo para resolver este problema. En este estudio, se presenta un método de advertencia temprana utilizando la técnica de evaluación integral difusa, que evalúa el grado de peligro del objetivo analizando de manera integral la posición del objetivo, la distancia horizontal y vertical, la velocidad del vehículo y el tiempo de colisión. Debido a la alta tasa de falsas alarmas en los sistemas de advertencia temprana, se establece un área de activación de advertencia temprana en el sistema, y el módulo de juicio del estado del objetivo se activa solo cuando el objetivo entra en el área de activación. Esta estrategia mejora la precisión de la advertencia temprana, reduce la tasa de falsas alarmas y acelera el funcionamiento del sistema de advertencia temprana. El sistema propuesto puede emitir información de advertencia temprana al conductor a tiempo y evitar accidentes por colisión con una precisión de hasta el 96%. Los resultados experimentales muestran que el método de predicción de trayectorias propuesto puede mejorar significativamente la detección de colisiones en redes de vehículos y el sistema de advertencia temprana.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Trayectorias; Vehículos; Colisión; Modelos de predicción; Aprendizaje profundo; Alerta temprana
• Keywords:Trajectories; Vehicles; Collision; Prediction models; Deep learning; Early warning