Trafikdə Risk Yalnız “Yaxındakı Avtomobil” Deyil

Avtonom nəqliyyat vasitələri üçün təhlükəsiz sürüş yalnız görünən avtomobillərin mövqeyini bilməkdən ibarət deyil. Avtomobilin harada olduğu, hansı sürətlə gəldiyi, hansı zolağa keçə biləcəyi və hansı bölgələrin görünüşdən kənarda qaldığı birlikdə qiymətləndirilməlidir.

Xüsusilə üç vəziyyət çətindir:

Birincisi, zolaq dəyişmədir. Avtomobil yalnız yanındakı nəqliyyat vasitəsini deyil, hədəf zolaqdakı hərəkət axınını da nəzərə almalıdır.

İkincisi, birləşmə rampalarıdır. Əsas yol və qoşulma zolağı eyni nöqtədə birləşir. Bu bölgələrdə avtomobillərin niyyətləri və zamanlaması təhlükəsizlik baxımından kritikdir.

Üçüncüsü, görünüşün bağlanmasıdır. Böyük yük avtomobili və ya treyler avtonom avtomobilin sensorlarının arxasındakı başqa bir avtomobili görməsinə mane ola bilər. Həmin avtomobil görünmür deyə risk nəzərə alınmasa, sistem gec reaksiya verə bilər.

Bu məqalənin əsas sualı budur:

Avtonom avtomobil yalnız görünən təhlükəni deyil, görünməyən, lakin mümkün təhlükəni də yol üzərində yayılan risk sahəsi kimi modelləşdirə bilərmi?

Ənənəvi Təhlükəsizlik Metrikləri Niyə Kifayət Etməyə Bilər?

Trafik təhlükəsizliyində Time-to-Collision, yəni toqquşmaya qalan vaxt, və Post-Encroachment-Time kimi metriklər tez-tez istifadə olunur. Bunlar iki avtomobil arasındakı yaxınlaşmanı tək rəqəmlə ifadə edir.

Bu cür metriklər faydalıdır; lakin müəyyən məhdudiyyətləri var.

Əvvəla, onların çoxu ani və ikili metriklərdir. Yəni iki avtomobil arasındakı əlaqəni müəyyən anda qiymətləndirir.

İkincisi, yolun bütün hissəsində riskin paylanmasını göstərmir. Birləşmə bölgəsində risk yalnız iki avtomobil arasındakı məsafə deyil; yol həndəsəsi, zolaq bağlantısı və trafik axını da vacibdir.

Üçüncüsü, görünüşün bağlanması halında problem yaşayırlar. Əgər gizli avtomobil sensor tərəfindən görünmürsə, klassik metrikləri həmin avtomobil üçün hesablamaq mümkün deyil.

DRIFT buna görə riski tək rəqəm kimi deyil, yolun quşbaxışı müstəvisində zamanla dəyişən sahə kimi təmsil edir.

Risk Sahəsi Nə Deməkdir?

Risk sahəsi yolun hər nöqtəsinə risk dəyərinin verilməsi deməkdir. Bu dəyər yüksəkdirsə, həmin bölgə daha təhlükəli və ya daha ehtiyatlı davranılmalı ərazi kimi qiymətləndirilir.

Bunu istilik xəritəsi kimi düşünə bilərik:

Mavi və ya aşağı dəyərli bölgələr daha təhlükəsiz ola bilər.
Sarı-qırmızı və ya yüksək dəyərli bölgələr daha diqqətlə yaxınlaşılmalı sahələri göstərə bilər.

Avtonom avtomobil bu sahədən istifadə edərək yalnız “qarşımda avtomobil varmı?” sualını deyil, “hansı bölgəyə doğru getsəm risk artır?” sualını da verə bilər.

Bu yanaşmanın mühüm üstünlüyü riskin məkan quruluşunu göstərməsidir. Yəni təhlükə yalnız avtomobil nöqtəsi kimi deyil, yola yayılan təsir kimi modelləşdirilir.

DRIFT Nə Təklif Edir?

DRIFT, Driving Risk Inference via Field Transmission ifadəsinin qısaltmasıdır. Azərbaycan dilində bunu “sahə ötürülməsi vasitəsilə sürüş riskinin çıxarılması” kimi ifadə etmək olar.

Üsul trafikdəki riski fizika əsaslı ötürülmə modeli ilə zaman ərzində yeniləyir. Risk yalnız həmin andakı avtomobil mövqelərindən ibarət deyil; trafik axını boyunca daşına, qeyri-müəyyənlik səbəbindən yayıla və təhlükə aradan qalxdıqda zamanla təmizlənə bilər.

DRIFT üç əsas risk mənbəyini birləşdirir:

Avtomobil mənşəli risk:
Görünən avtomobillərin mövqeyi, sürəti və hərəkət istiqamətindən yaranan risk.

Görünüşün bağlanmasından yaranan gizli risk:
Yük avtomobili və ya böyük nəqliyyat vasitələrinin arxasında görünməyən potensial təhlükələr.

Birləşmə bölgəsi riski:
Yol topologiyasının, xüsusilə qoşulma və zolaqların birləşmə nöqtələrinin yaratdığı toqquşma təzyiqi.

Bu üç mənbə vahid risk sahəsində toplanır.

Şəkil 1 Nəyi İzah Edir?

Məqalədəki Şəkil 1 DRIFT-in ümumi iş axınını göstərir.

Birinci hissədə avtomobillərin mövqeyi, sürəti, istiqaməti, yol sərhədləri, zolaq mərkəzləri və statik/dinamik maneələr götürülür. Sonra bu məlumatlar üç risk mənbəyinə çevrilir:

Avtomobillərin yaratdığı risk,
görünüşün bağlanması ilə yaranan gizli təhlükə,
birləşmə bölgələrindəki topoloji toqquşma riski.

Ardınca bu mənbələr PDE əsaslı risk ötürmə modelinə daxil edilir. Nəticədə zamanla dəyişən dinamik risk sahəsi yaradılır.

Şəklin əsas mesajı budur:

DRIFT avtonom sürüş riskini yalnız avtomobillər siyahısı kimi deyil, fiziki olaraq yayılan və təmizlənən yol sahəsi kimi nəzərdən keçirir.

Əsas Düstur Nəyi İzah Edir?

Məqalədəki əsas risk sahəsi tənliyi bu fikri daşıyır:

Riskin dəyişməsi = yayılma − axınla daşınma + yeni risk mənbələri − köhnə riskin sönməsi

Texniki düstur sadə şəkildə belə ifadə edilə bilər:

∂R/∂t = diffusion − advection + source − decay

Burada:

R, yol üzərindəki risk sahəsidir.
Diffusion, riskin ətrafa yayılmasını təmsil edir.
Advection, riskin trafik axını istiqamətində daşınmasını təmin edir.
Source, avtomobillər, görünüşün bağlanması və birləşmə bölgələrindən gələn yeni risk mənbələridir.
Decay, artıq dəstəklənməyən köhnə riskin zamanla sönməsini təmin edir.

Bu düsturun öyrədici tərəfi budur:

Model riski sabit görüntü kimi deyil, zaman ərzində axan, yayılan və yox olan sahə kimi düşünür.

Diffusion: Risk Niyə Yayılır?

Diffusion, yəni yayılma termini riskin yalnız tək nöqtədə qalmamasını təmin edir.

Real trafikdə avtomobilin mövqeyi dəqiq nöqtə kimi düşünülsə belə, gələcək hərəkətində qeyri-müəyyənlik var. Görünüşün bağlanması halında bu qeyri-müəyyənlik daha da artır. Yük avtomobilinin arxasında avtomobil ola bilər, olmaya bilər; varsa hansı nöqtədən çıxacağı dəqiq bilinmir.

Diffusion bu qeyri-müəyyənliyi məkan üzrə yayır. Beləliklə, risk yalnız dar nöqtədə deyil, mümkün təhlükə bölgəsində daha geniş sahəyə yayıla bilər.

Bu, xüsusilə görünüşün bağlanması ssenarilərində vacibdir. Çünki gizli avtomobilin dəqiq mövqeyi bilinmir; riskin daha geniş kölgə bölgəsində saxlanması lazımdır.

Advection: Risk Trafik Axını ilə Necə Daşınır?

Advection, yəni daşınım termini riskin trafik axını istiqamətində irəliləməsini təmin edir.

Məsələn, birləşmə rampasında avtomobil hələ ego avtomobilə çox yaxın olmaya bilər. Lakin trafik axını onu qısa müddət sonra toqquşma bölgəsinə gətirə bilər. Risk sahəsi yalnız həmin anki mövqeyə bağlansa, bu təhlükə gec aşkarlana bilər.

Advection termini təhlükənin yol və trafik axını boyunca “aşağı istiqamətə” daşınmasına kömək edir. Beləliklə, sistem qarşılıqlı təsir nöqtəsi yaranmazdan əvvəl riskin gələcəyi bölgələri daha erkən işarələyə bilər.

Bu, DRIFT-in erkən xəbərdarlıq qabiliyyətinin əsas hissələrindən biridir.

Decay: Risk Niyə Təmizlənməlidir?

Risk sahəsi yalnız artsa, sistem keçmiş təhlükələri uzun müddət daşıyar və yolun bəzi bölgələrini lazımsız olaraq riskli göstərməyə davam edə bilər.

Decay, yəni sönümləmə termini artıq dəstəklənməyən riskin zamanla azalmasını təmin edir. Məsələn, yük avtomobilinin arxasındakı görünüş maneəsi aradan qalxıb və orada avtomobil olmadığı görülübsə, risk sürətlə təmizlənməlidir.

DRIFT-in mühüm töhfələrindən biri bu sönümləmə sürətini görünüşün bağlanması həndəsəsi ilə əlaqələndirməsidir.

Kölgə sahəsi böyüyürsə, riskin yığılmasına imkan verilir.
Kölgə sahəsi kiçilirsə, risk daha sürətli təmizlənir.

Beləliklə, model həm ehtiyatlı olmağa, həm də lazımsız dərəcədə paranoyak davranmamağa çalışır.

Görünüşün Bağlanması Necə Modelləşdirilir?

Məqalədəki Şəkil 2 highway merging, yəni avtomagistral birləşməsi ssenarisində görünüşün bağlanması həndəsəsini göstərir.

Ego avtomobil əsas zolaqda hərəkət edir. Böyük yük avtomobili və ya treyler görünüşü bağlayır. Qoşulma zolağındakı başqa avtomobil bu yük avtomobilinin arxasında qala bilər. Ego avtomobil həmin gizli avtomobili birbaşa aşkarlamaya bilər.

DRIFT bu halda yük avtomobilinin arxasındakı kölgə bölgəsini müəyyən edir və bu sahəyə gizli risk əlavə edir. Bu, sistemin “görmürəm, deməli təhlükə yoxdur” deməsinin qarşısını alır.

Bu yanaşma xüsusilə avtonom sürüşdə vacibdir. Çünki insan sürücülər də böyük nəqliyyat vasitələrinin arxasından nəyinsə çıxa biləcəyini intuitiv şəkildə nəzərə alırlar. DRIFT bu intuitiv yanaşmanı riyazi risk sahəsində təmsil etməyə çalışır.

Occlusion Window Extraction Nə İşə Yarayır?

Məqalə görünüşün bağlanması ssenarilərini qiymətləndirmək üçün əvvəlcə xam trafik qeydlərindən uyğun zaman intervallarını çıxarır.

Bunun üçün ego avtomobilin ön bölgəsində ağır sinif nəqliyyat vasitəsinin, məsələn, yük avtomobili və ya treylerin olub-olmadığı yoxlanılır. Belə avtomobil müəyyən ilkin seçim bölgəsindədirsə, həmin kadr görünüşün bağlanması ilə əlaqəli sayılır.

Sonra bu kadrlar ardıcıl pəncərə qruplarına bölünür və hər pəncərənin əvvəlinə-sonuna 2 saniyəlik bufer əlavə edilir.

Bu niyə vacibdir?

Çünki risk yalnız yük avtomobili tam qarşımızda olanda deyil, dərhal əvvəl və görünüş açıldıqdan dərhal sonra da əhəmiyyətlidir. Modelin riskin necə toplandığını və necə təmizləndiyini qiymətləndirmək üçün bu zaman intervalı qorunur.

Yeni Qiymətləndirmə Metrikləri Niyə Lazımdır?

Məqaləyə görə klassik təhlükəsizlik metrikləri risk sahələrini qiymətləndirmək üçün kifayət etməyə bilər. Çünki risk sahəsi yalnız “toqquşma oldumu?” sualını deyil, “risk düzgün yerdə yarandımı, düzgün istiqamətə yayıldımı, vaxtında göründümü və vaxtında təmizləndimi?” suallarını da ehtiva edir.

Buna görə DRIFT üçün sahə əsaslı yeni metriklər istifadə olunur.

LCRD:
Qeydə alınmış zolaq dəyişmələrinin daha aşağı riskli hüceyrələrə doğru olub-olmadığını ölçür. Yüksək olması risk sahəsinin sürücü davranışı ilə daha uyğun olduğunu göstərə bilər.

TAI:
Risk sahəsinin təhlükəli hadisədən nə qədər əvvəl xəbərdarlıq verdiyini ölçür. Yüksək olması daha erkən risk hissi deməkdir.

RPR:
Hadisədən sonra risk yaddaşının nə qədər qorunduğunu ölçür. Çox aşağı olsa, sistem riski dərhal unuda bilər; çox yüksək olsa, köhnə risk lazımsız şəkildə qala bilər.

OSI:
Görünüşün bağlanması nisbəti artdıqda risk sahəsinin buna nə qədər həssas olduğunu ölçür.

ORL:
Kölgə/görünüşün bağlanması yarandıqda risk sahəsinin buna nə qədər gecikmə ilə reaksiya verdiyini ölçür.

Temp.:
Risk sahəsinin kadrdan-kadra nə qədər sabit olduğunu göstərir.

Bu metriklər risk sahəsini yalnız toqquşma statistikası ilə deyil, davranış, yayılma və görünüşün bağlanmasına reaksiya ilə birlikdə qiymətləndirməyə çalışır.

Təcrübələr Necə Aparılıb?

Tədqiqatçılar DRIFT-i üç real dünya trafik verilənlər dəstində qiymətləndirirlər:

exiD: Avtomagistral və qarşılıqlı təsirli sürüş ssenariləri.
rounD: Dairəvi yol qovşağı məlumatları.
inD: Yol qovşağı məlumatları.

Bütün təcrübələr ortaq quşbaxışı grid üzərində aparılıb. Müqayisə üçün statik fizika əsaslı risk sahələri və dinamik verilənlərə əsaslanan risk sahəsi üsullarından istifadə olunub.

Statik üsullar hər kadr üçün ayrıca risk hesablayır. Buna görə zaman yaddaşı daşımırlar. Dinamik üsullar isə riskin zaman ərzində dəyişməsini daha çox nəzərə ala bilər.

Cədvəl 2 Nəyi Göstərir?

Cədvəl 2 DRIFT-in bir çox metrikdə müqayisə üsullarından daha yaxşı nəticə verdiyini göstərir.

DRIFT üçün bildirilən nəticələr belədir:

LCRD: %89
RPR: 0,74
TAI: 0,41, yəni təxminən +0,62 saniyə erkən xəbərdarlıq
OSI: 0,52
ORL: 0,31 saniyə
Görünüşün bağlanması şəraitində yaxın toqquşma artımı: +%1,4
Zamansal sabitlik: 0,91

RiskNet ilə müqayisədə DRIFT-in LCRD dəyəri %82-dən %89-a, TAI dəyəri 0,24-dən 0,41-ə, ORL dəyəri 0,65 saniyədən 0,31 saniyəyə yaxşılaşır. Görünüşün bağlanması şəraitində yaxın toqquşma artımı RiskNet-də +%3,5 olduğu halda, DRIFT-də +%1,4 kimi bildirilir.

Bu cədvələ görə DRIFT həm sürücü davranışı ilə daha uyğun risk sahəsi yaradır, həm də görünüşün bağlanması halında daha sürətli və daha sabit reaksiya verir.

Lakin bu nəticələr seçilmiş verilənlər dəstləri və təcrübə protokolu çərçivəsində qiymətləndirilməlidir.

Şəkil 3 Nəyi İzah Edir?

Şəkil 3 rounD, inD və exiD ssenarilərində risk sahələrinin vizual müqayisəsini göstərir.

Statik üsullar adətən görünən avtomobillərin və yol həndəsəsinin ətrafında geniş və bəzən həddindən artıq ümumi risk bölgələri yaradır. DRIFT isə riski trafik axını və toqquşma istiqamətləri boyunca daha strukturlaşdırılmış şəkildə yayır.

Xüsusilə yük avtomobili-treyler kimi böyük nəqliyyat vasitələrinin yaratdığı görünüş bağlanması halında DRIFT riskin yalnız sabit potensial kimi ətrafa yayılması əvəzinə, mümkün trafik axını və birləşmə toqquşmaları boyunca ötürülməsini təmin edir.

Bu vizualın sadə mesajı budur:

DRIFT yalnız riskin harada yüksək olduğunu deyil, riskin zamanla hansı istiqamətə daşına biləcəyini də göstərməyə çalışır.

Cədvəl 3 Nəyi Göstərir?

Cədvəl 3 DRIFT-in hansı PDE komponentindən nə qədər fayda aldığını anlamaq üçün aparılmış ablation tədqiqatını göstərir.

Nəticələr belədir:

Yalnız mənbə terminləri:
TAI 0,08, RPR 0,51, OSI 0,35, ORL 0,95 s, Temp. 0,65

Diffusion əlavə edildikdə:
TAI 0,12, RPR 0,58, OSI 0,42, ORL 0,78 s, Temp. 0,72

Advection əlavə edildikdə:
TAI 0,35, RPR 0,66, OSI 0,44, ORL 0,62 s, Temp. 0,85

Tam model, decay ilə:
TAI 0,41, RPR 0,74, OSI 0,52, ORL 0,31 s, Temp. 0,91

Bu cədvəl modelin hissələrini öyrədici şəkildə göstərir.

Diffusion görünüşün bağlanması qeyri-müəyyənliyini daha geniş sahəyə yayaraq OSI dəyərini artırır.
Advection riski trafik axını istiqamətində daşıyaraq erkən xəbərdarlıq qabiliyyətini nəzərəçarpacaq dərəcədə yüksəldir.
Decay köhnə riski təmizləyərək görünüşün bağlanmasına ən sürətli reaksiyanı və ən yüksək zamansal sabitliyi təmin edir.

Şəkil 4 Nəyi İzah Edir?

Şəkil 4 eyni avtomagistral birləşmə səhnəsində dörd fərqli risk sahəsi sazlamasını göstərir.

Yalnız mənbə: Risk avtomobillərin və toqquşma bölgələrinin ətrafında kəskin qalır.
Diffusion əlavə edilmiş: Risk daha yumşaq yayılır, lakin aydın istiqamət quruluşu məhdud qalır.
Advection əlavə edilmiş: Risk trafik axını boyunca aşağı istiqamətə daşınır və “risk izi” yaranır.
Tam DRIFT: Risk həm istiqamətli şəkildə yayılır, həm də köhnə təhlükə təmizlənir.

Bu vizualın əsas mesajı PDE terminlərinin hər birinin fərqli funksiya yerinə yetirməsidir. DRIFT-in gücü tək risk mənbəyindən deyil, mənbə, yayılma, daşınım və sönümləmə təsirlərinin birlikdə işləməsindən yaranır.

Tədqiqat Nə Deyir?

Tədqiqatın əsas mesajı budur:

Avtonom sürüşdə risk yalnız ani və ikili təhlükəsizlik metrikləri ilə deyil, zamanla təkamül edən sahə kimi modelləşdirilə bilər.

DRIFT bu sahəni fizika əsaslı PDE ilə yeniləyir. Beləliklə, risk görünən avtomobillərdən, görünməyən potensial təhlükələrdən və yol topologiyasından gələn mənbələrlə qidalanır. Sonra trafik axını ilə daşınır, qeyri-müəyyənlik səbəbindən yayılır və artıq dəstəklənmirsə təmizlənir.

Təcrübələr bu yanaşmanın xüsusilə görünüşün bağlanması və birləşmə ssenarilərində erkən xəbərdarlıq, davranış uyğunluğu və zamansal sabitlik baxımından üstünlük təmin edə biləcəyini göstərir.

Bu Niyə Vacibdir?

Avtonom avtomobil təhlükəsizliyində ən çətin mövzulardan biri “görünməyən, lakin mümkün olan” təhlükələri idarə etməkdir. İnsan sürücü yük avtomobilinin arxasından başqa avtomobilin çıxa biləcəyini intuitiv olaraq nəzərə ala bilər. Avtonom avtomobillər də oxşar şəkildə qeyri-müəyyənliyi ehtiyatlı, lakin ölçülü formada qiymətləndirməlidir.

Risk sahəsi yanaşması avtonom avtomobilin qərar sisteminə yalnız “bu avtomobil buradadır” məlumatını deyil, “bu bölgəyə daha ehtiyatla yaxınlaşmaq lazımdır” məlumatını da verə bilər.

Bu cür modellər gələcəkdə zolaq dəyişmə, birləşmə rampası, yol qovşağından keçid, görünüşün bağlanması, sıx trafik və qarışıq sürüş mühitləri üçün daha izah edilə bilən risk xəritələrinin yaradılmasına töhfə verə bilər.

Diqqət Edilməli Məqamlar

Bu tədqiqat mühüm araşdırma istiqaməti təqdim etsə də diqqətlə oxunmalıdır.

Birincisi, tədqiqat arXiv versiyasıdır və məqalədə IEEE ITSC 2026 qəbul məlumatı yer alsa da, nəticələr yenə də təcrübə kontekstində qiymətləndirilməlidir.

İkincisi, DRIFT real trafikdə birbaşa təhlükəsizlik zəmanəti vermir. Verilənlər dəstləri və seçilmiş ssenarilər üzərində sınaqdan keçirilib.

Üçüncüsü, PDE parametrləri sazlanabilən quruluşdadır. Fərqli trafik mədəniyyətləri, yol quruluşları, sensor keyfiyyəti və avtomobil davranışları üçün yenidən kalibrləmə tələb oluna bilər.

Dördüncüsü, görünüşün bağlanması şəraitində gizli risk fərziyyələri diqqətlə idarə edilməlidir. Həddindən artıq ehtiyatlı model lazımsız əyləcləmə və ya yavaşlama yarada bilər; az ehtiyatlı model isə gizli təhlükəni gec aşkarlaya bilər.

Beşincisi, yaxın toqquşma nisbəti kimi metriklər vacib olsa da, real təhlükəsizlik qiymətləndirilməsi üçün simulyasiya, qapalı sahə sınaqları, real avtomobil testləri və tənzimləmə prosesləri lazımdır.

Nəhayət, bu məzmun sürüş təhlükəsizliyi və ya avtonom avtomobil dizaynı üçün peşəkar mühəndislik məsləhəti deyil.

Nəticə

DRIFT tədqiqatı avtonom avtomobillərdə risk qiymətləndirilməsi üçün güclü fikir təqdim edir: Risk yol üzərində zamanla yayılan, daşınan və təmizlənən sahə kimi modelləşdirilə bilər.

Bu yanaşma xüsusilə yük avtomobili kimi böyük nəqliyyat vasitələrinin görünüşü bağladığı və birləşmə zolaqlarında toqquşma ehtimalının artdığı ssenarilərdə daha mənalı ola bilər. Təcrübələrdə DRIFT seçilmiş müqayisə üsullarına nisbətən sürücü davranışları ilə daha uyğun risk sahələri yaradıb, daha erkən xəbərdarlıq təmin edib və görünüşün bağlanmasına daha sürətli reaksiya verib.

Tədqiqatın ən mühüm mesajı budur:

Avtonom sürüşdə təhlükəsizlik yalnız görünən avtomobilə reaksiya vermək deyil; görünməyən riskin haradan gələ biləcəyini vaxtında və ölçülü şəkildə təxmin etməkdir.

Mənbə və Metod Qeydi

Bu məzmun Zian Wang, Yiming Shu, Zejian Deng və Chen Sun tərəfindən hazırlanmış “DRIFT: Driving Risk Inference via Field Transmission for Human-like Autonomous Driving” adlı akademik tədqiqatdan istifadə edilərək Verianla redaksiya formatında orijinal şəkildə hazırlanıb.

PDF-də tədqiqatın IEEE International Conference on Intelligent Transportation Systems 2026 tərəfindən qəbul edildiyi və arXiv versiyasının mövcud olduğu bildirilir. Məzmun məlumatlandırma və təhsil məqsədi daşıyır. Avtonom avtomobil hazırlanması, trafik təhlükəsizliyi, mühəndislik doğrulaması, sürüş sistemi dizaynı və ya peşəkar texniki məsləhətin yerini tutmur.