From Roadside Sensing to Risk-Informed Safety Control: Surrogate Safety Measures as a Cyber-Physical Interface
作者: Salsabil Salah, Yiqiao Li, Bo Wang
分类: eess.SY
发布日期: 2026-11-03
备注: Accepted by 2027 TRB Annual Meeting
💡 一句话要点
提出基于替代安全措施的风险知情安全控制方法以提升交叉口安全性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 交叉口安全 替代安全措施 自动驾驶 激光雷达 模型预测控制 交通管理 风险评估
📋 核心要点
- 现有的交叉口安全分析方法在传感器选择和数据可靠性方面存在不足，导致安全评估不准确。
- 本文提出了一种综合基础设施感知与替代安全措施的框架，旨在通过控制理论提升自动驾驶车辆的决策能力。
- 研究结果显示，LiDAR在轨迹提取和安全分析中表现优越，尤其是在光照和隐私保护方面，但在恶劣天气条件下性能下降。
📝 摘要（中文）
主动的交叉口安全分析依赖于轨迹数据，而这些数据的可靠性因传感器类型而异。本文综合了基础设施感知和替代安全措施（SSM）的研究，结合控制理论，阐明了传感选择、安全指标和预测控制之间的联系，以及基础设施衍生的风险信号如何为自动驾驶决策提供信息。研究涵盖了激光雷达（LiDAR）、协同感知、碰撞时间（TTC）、后侵入时间（PET）、极值理论、模型预测控制（MPC）和信号控制。结果表明，没有单一的SSM是普遍有效的，LiDAR在三维轨迹提取方面表现优于仅使用摄像头的传感器，但在恶劣天气条件下其有效范围会降低。
🔬 方法详解
问题定义：论文要解决的具体问题是如何将基础设施感知与替代安全措施结合，以提升交叉口的安全性。现有方法在传感器选择和数据可靠性方面存在挑战，导致安全评估不够准确。
核心思路：论文的核心解决思路是通过整合不同传感器数据和安全指标，构建一个全面的安全控制框架，以支持自动驾驶车辆的决策。这样的设计旨在提高安全性和可靠性。
技术框架：整体架构包括多个模块：首先是数据采集模块，使用LiDAR和其他传感器获取轨迹数据；其次是数据处理模块，应用Kalman滤波和Savitzky-Golay滤波器稳定检测结果；最后是控制决策模块，基于预测控制理论进行安全决策。
关键创新：最重要的技术创新点在于提出了一种新的替代安全措施分类方法，能够根据冲突几何和时间可用性对SSM进行分类，并将风险组件映射到控制目标和约束上。与现有方法相比，这种方法提供了更为全面的安全分析视角。
关键设计：在参数设置上，使用Kalman滤波器和Savitzky-Golay滤波器来处理传感器数据，以减少噪声影响；在网络结构上，结合了多种传感器数据以提高轨迹提取的准确性。
📊 实验亮点
实验结果表明，LiDAR在三维轨迹提取方面的表现优于传统摄像头，尤其在光照和隐私保护方面具有优势。尽管在恶劣天气条件下其有效范围有所下降，但通过合适的滤波技术，能够显著提高数据的稳定性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括智能交通系统、自动驾驶车辆的安全控制以及城市交通管理。通过提升交叉口的安全性，能够有效减少交通事故，保障行人和驾驶员的安全，具有重要的社会价值和经济效益。
📄 摘要（原文）
Proactive intersection safety analysis depends on trajectory data whose reliability varies by sensing modality, yet infrastructure-perception and surrogate safety measure (SSM) research have only recently begun to converge. This paper synthesizes both literatures alongside control theory to clarify how sensing choices, safety metrics, and predictive control connect end-to-end, and where infrastructure-derived risk signals could inform autonomous vehicle decision-making. Searches covered light detection and ranging (LiDAR), cooperative perception, time-to-collision (TTC), post-encroachment time (PET), extreme value theory, model predictive control (MPC), and signal control. Screening considered trajectory-based safety and control relevance, excluding detection benchmarks without safety linkage. This structured narrative synthesis retained 56 sources. No single SSM is universally valid: one-dimensional TTC and modified TTC suit longitudinal conflicts, two-dimensional TTC extends time-based measurement to crossing geometries, and observed PET captures crossing and vulnerable road user (VRU) conflicts but only after the event. LiDAR consistently outperforms camera-only sensing for continuous three-dimensional trajectory extraction, illumination robustness, and privacy, though its range degrades in heavy rain, fog, and snow. Its output becomes control-ready only when paired with filtering--Kalman, Savitzky-Golay--that stabilizes noisy detections. This review complements it from the infrastructure side: it examines how roadside sensing affects that chain's reliability, classifies SSMs by conflict geometry and temporal availability, and maps risk components onto control objectives and constraints for infrastructure and connected and automated vehicle (CAV) applications.