Rete Neurale Spiking Ispirata Biologicamente per la Valutazione del Rischio nel Traffico
Uno studio recente propone un approccio innovativo per interpretare le Misure di Sicurezza Surrogata (SSM) considerandole come soglie di attivazione neuronale attraverso una rete neurale spiking (SNN), con l'obiettivo di migliorare la comprensione delle reazioni di frenata umana. Questa SNN utilizza neuroni leaky integrate-and-fire (LIF), elabora vari input SSM ed è addestrata a sincronizzare gli spike con l'inizio della frenata umana. I dati di addestramento sono stati raccolti da uno studio controllato di car-following condotto sulla piattaforma 3D-CoAutoSim, che incorpora CARLA/Unreal e una piattaforma di movimento a 6 gradi di libertà, dove sono stati creati artificialmente eventi critici. I risultati indicano che l'attività spiking appresa assomiglia strettamente al comportamento di frenata in diversi scenari, fornendo un'opzione più dinamica rispetto alle tradizionali valutazioni SSM a soglia fissa.
Fatti principali
- Propone una reinterpretazione delle soglie SSM come soglie di attivazione dei neuroni LIF
- Molteplici input SSM combinati in una rete neurale spiking (SNN)
- SNN addestrata a emettere spike allineati con gli inizi di frenata umana
- Dati di addestramento da esperimento controllato di car-following utilizzando la piattaforma 3D-CoAutoSim
- La piattaforma utilizza CARLA/Unreal e una piattaforma di movimento a 6 DOF
- Eventi critici indotti sono stati generati durante l'esperimento
- L'attività spiking appresa si allinea qualitativamente con il comportamento di frenata in diversi scenari
- Affronta le limitazioni delle valutazioni SSM a soglia fissa
Entità
—