Sicurezza stradale: conducente anormale Rilevamento del comportamento tramite Deep Apprendimento

Road safety is a pressing concern, with the number of road accidents and bicycle related fatalities on the rise. Both driver and cycling behavior play crucial roles in road safety. Therefore, understanding and detecting abnormal behaviors in these contexts are of paramount importance to reduce accidents and enhance road safety. Detecting abnormal driving behavior has become a significant issue. The first part of this research focuses on safe driving. Driver behaviors such as drowsy, aggressive, and distracted driving, significantly contribute to road crashes. To address this, extensive research has been conducted to monitor and model driver behavior. Initially we critically review the existing literature, categorizing approaches into traditional mathematical, machine learning, and deep learning-based schemes. It provides a comparison table and taxonomy based on various metrics and highlights open research questions for future exploration. Turning to cycling, an increasingly popular and sustainable mode of transportation, safety remains a challenge. With the growing number of cyclists, the availability of suitable crash data becomes more complex. Smart cities and new technologies offer opportunities for data collection and analysis. This research introduces the "BeSTDAD" model, utilizing deep learning techniques like Convolutional Neural Networks and Autoencoders for anomaly detection in cycling behavior. Results show the model outperforms traditional statistical approaches, achieving a 77% F-score and 100% recall. The next activity of this research for cycling safety is to employ deep transfer learning to proactively detect anomalies in cycling behavior, which could lead to traffic conflicts or near-miss accidents. The study introduces a customized model, "DT LAD," tailored to individual riders. Data collected using Global Navigation Satellite System (GNSS) instruments on bicycles is used to identify riding anomalies. This innovative approach holds promise for enhancing cycling safety in urban environments. Furthermore, It helps to reduce the extensive requirements for data labeling and model training. In addition, the study explores the role of convolutional layers in deep neural networks for scenarios involving user-environment interactions. It investigates whether these layers are more specific to the user or the environment, aiming to streamline data collection and model training efforts in such contexts. To address abnormal behavior in vehicular contexts, a deep learning model centered on convolutional autoencoders is presented. It utilizes vehicle data, including speed, acceleration, and heading, to identify irregular behavior. The model’s performance is compared to established machine learning methods for anomaly detection. Furthermore, the research delves into multi-sensor fusion, combining data from GPS, OBD, and Mobileye sensors sourced from vehicles. The objective is to identify the most effective sensor combinations for detecting abnormal driver behavior, benchmarking against other anomaly detection algorithms. To validate the proposed methodology’s real-world effectiveness, a case study visually depicts anomalies in cycling behavior using Geographic Information Systems (GIS) maps. The clustering of data in high-risk areas is emphasized, showcasing practical applications in enhancing road safety within cities, as demonstrated in Catania, Italy. This comprehensive research contributes to improving road and cycling safety.

La sicurezza stradale è una preoccupazione urgente, con il numero di incidenti stradali e di morti legati alla bicicletta in aumento. Sia il comportamento del conducente che quello della bicicletta svolgono un ruolo cruciale sulla strada sicurezza. Pertanto, comprendere e rilevare comportamenti anomali in questi contesti sono di fondamentale importanza per ridurre gli incidenti e migliorare la sicurezza stradale. Rilevamento il comportamento di guida anomalo è diventato un problema significativo. La prima parte di questa ricerca si concentra sulla guida sicura. Comportamenti del conducente come sonnolenza, aggressività e distrazione guida, contribuiscono in modo significativo agli incidenti stradali. Per affrontare questo problema, sono state effettuate ricerche approfondite sono stati condotti per monitorare e modellare il comportamento dei conducenti. Inizialmente esaminiamo criticamente la letteratura esistente, classificando gli approcci in matematici tradizionali, macchina apprendimento e schemi basati sul deep learning. Fornisce una tabella comparativa e una tassonomia basato su varie metriche ed evidenzia domande di ricerca aperte per esplorazioni future. Passando alla bicicletta, una modalità di trasporto sempre più popolare e sostenibile, la sicurezza rimane una sfida. Con il crescente numero di ciclisti, la disponibilità di i dati sugli incidenti adeguati diventano più complessi. Offerta di città intelligenti e nuove tecnologie opportunità di raccolta e analisi dei dati. Questa ricerca introduce il modello "BeSTDAD", utilizzando tecniche di deep learning come le reti neurali convoluzionali e autocodificatori per il rilevamento di anomalie nel comportamento ciclistico. I risultati mostrano il modello supera gli approcci statistici tradizionali, ottenendo un punteggio F del 77% e un ricordo del 100%. La prossima attività di questa ricerca per la sicurezza ciclistica consiste nell’utilizzare il deep transfer learning rilevare in modo proattivo anomalie nel comportamento ciclistico, che potrebbero portare a conflitti di traffico o incidenti mancati. Lo studio introduce un modello personalizzato, “DT LAD”, su misura ai singoli ciclisti. Dati raccolti utilizzando il sistema globale di navigazione satellitare (GNSS) Gli strumenti sulle biciclette vengono utilizzati per identificare anomalie di guida. Questo approccio innovativo promette di migliorare la sicurezza ciclistica negli ambienti urbani. Inoltre, aiuta ridurre i requisiti estesi per l'etichettatura dei dati e l'addestramento dei modelli. Inoltre, lo studio esplora il ruolo degli strati convoluzionali nelle reti neurali profonde per scenari che coinvolgono interazioni utente-ambiente. Indaga se questi livelli sono più specifici per l'utente o per l'ambiente, con l'obiettivo di semplificare la raccolta dei dati e modellare gli sforzi di formazione in tali contesti. Per affrontare comportamenti anomali in contesti veicolari, è stato utilizzato un modello di deep learning centrato sugli autocodificatori convoluzionali viene presentato. Utilizza i dati del veicolo, inclusa la velocità, accelerazione e direzione per identificare comportamenti irregolari. Le prestazioni del modello sono rispetto ai metodi consolidati di apprendimento automatico per il rilevamento delle anomalie. Inoltre, la ricerca approfondisce la fusione multisensore, combinando dati provenienti da GPS, OBD, e sensori Mobileye provenienti da veicoli. L'obiettivo è identificare le combinazioni di sensori più efficaci per rilevare il comportamento anomalo del conducente, effettuando un confronto altri algoritmi di rilevamento delle anomalie. Per convalidare l’efficacia nel mondo reale della metodologia proposta, un caso di studio descrive visivamente le anomalie nel comportamento ciclistico utilizzando i sistemi di informazione geografica (GIS) mappe. Viene enfatizzato il raggruppamento di dati in aree ad alto rischio, mostrando applicazioni pratiche per migliorare la sicurezza stradale nelle città, come dimostrato a Catania, in Italia. Questo una ricerca approfondita contribuisce a migliorare la sicurezza stradale e ciclistica.