要約
交通事故予測の目的は、ダッシュカム映像から可能な限り早期に事故を予測することであり、これは安全を保証した自動運転システムにとって極めて重要です。混雑した交通状況と限られた視覚的な手がかりがある中で、初期のフレームからどのくらい後に事故が発生するかを予測することは大きな挑戦となっています。既存の多くの手法は、交通事故に関連するエージェントの特徴を学習するために開発されていますが、それらの空間的および時間的な関係の特徴を無視しています。さらに、現在の決定論的な深層ニューラルネットワークは誤った予測に対して過信することがあり、これが自動運転システムによる交通事故の高いリスクにつながる可能性があります。本論文では、空間的・時間的関係学習に基づく不確実性を利用した交通事故予測モデルを提案します。このモデルは、ダッシュカム映像を使用して交通事故発生の確率を逐次的に予測します。具体的には、グラフ畳み込みと再帰型ネットワークを利用して関係特徴を学習し、ベイジアンニューラルネットワークを使用して潜在的な関係表現の内在的な変動性に対処することを提案します。導出した不確実性ベースのランキング損失は、関係特徴の品質向上によりモデル性能を大幅に向上させることが確認されました。また、環境属性や事故原因の注釈を含む新しい車両衝突データセット（Car Crash Dataset: CCD）を集積しました。公開データセットと新規作成されたデータセットでの実験結果は、我々のモデルが最先端の性能を示していることを示しています。コードとCCDデータセットは https://github.com/Cogito2012/UString で利用可能です。