Trafikda xavf faqat «yaqinidagi transport» emas

Avtonom transportlar uchun xavfsiz haydash faqat ko‘rinadigan transportlarning joylashuvini bilishdan iborat emas. Transport qayerda ekanligi, qanday tezlik bilan kelayotgani, qaysi chiziqga o‘tishi mumkinligi va qaysi hududlar ko‘rish doirasidan tashqarida qolayotgani birgalikda baholanishi kerak.

Ayniqsa uch holat qiyin:

Birinchisi, chiziqni almashtirish. Transport faqat yonidagi transportni emas, maqsad chizig‘idagi harakat oqimini ham hisobga olishi kerak.

Ikkinchisi, qo‘shilish rampalari. Asosiy yo‘l va qo‘shilish chizig‘i bir nuqtada birlashadi. Bu hududlarda transportlarning niyatlari va vaqti xavfsizlik nuqtai nazaridan muhim.

Uchinchisi, ko‘rinish to‘siqlari. Katta yuk mashinasi yoki treyler avtonom transport sensorlari orqasidagi boshqa transportni ko‘rishga to‘sqinlik qilishi mumkin. O‘sha transport ko‘rinmayapti degani uchun xavf e’tiborsiz qoldirilsa, tizim kech javob berishi mumkin.

Ushbu maqolaning asosiy savoli shudir:

Avtonom transport faqat ko‘rinadigan xavfni emas, ko‘rinmaydigan, lekin ehtimoliy xavfni ham yo‘l bo‘ylab tarqalgan xavf maydoni sifatida modellashtira oladimi?

An’anaviy xavfsizlik ko‘rsatkichlari nima uchun yetarli bo‘lmasligi mumkin?

Trafik xavfsizligida Time-to-Collision, ya’ni to‘qnashuvgacha qolgan vaqt, va Post-Encroachment-Time kabi ko‘rsatkichlar tez-tez qo‘llaniladi. Ular ikki transport o‘rtasidagi yaqinlashishni bitta raqam bilan ifodalaydi.

Bunday ko‘rsatkichlar foydalidir; biroq ba’zi cheklovlari bor.

Avvalo, ularning ko‘pchiligi lahzali va juftlik ko‘rsatkichlaridir. Ya’ni ikki transport o‘rtasidagi munosabatni ma’lum bir lahzada baholaydi.

Ikkinchidan, yo‘lning butun uzunligidagi xavf taqsimotini ko‘rsatmaydi. Qo‘shilish hududida xavf faqat ikki transport orasidagi masofa emas; yo‘l geometriyasi, chiziq ulanishi va trafik oqimi ham muhim.

Uchinchidan, ko‘rinish to‘siqlari holatida muammo yuzaga keladi. Agar yashirin transport sensor tomonidan ko‘rilmayotgan bo‘lsa, klassik ko‘rsatkichlar o‘sha transport uchun hisoblanmaydi.

Shuning uchun DRIFT xavfni bitta raqam o‘rniga, yuqoridan ko‘rish yo‘l tekisligida vaqt o‘tishi bilan o‘zgaradigan maydon sifatida ifodalaydi.

Xavf maydoni nima degani?

Xavf maydoni yo‘lning har bir nuqtasiga xavf qiymati berish demakdir. Bu qiymat yuqori bo‘lsa, o‘sha hudud xavfliroq yoki ehtiyotkorroq yondashish kerak bo‘lgan joy sifatida baholanadi.

Buni issiqlik xaritasi kabi tasavvur qilish mumkin:

Ko‘k yoki past qiymatli hududlar xavfsizroq bo‘lishi mumkin.
Sariq-qizil yoki yuqori qiymatli hududlar ehtiyotkorroq yondashish kerak bo‘lgan joylarni ko‘rsatishi mumkin.

Avtonom transport bu maydondan foydalanib, faqat «oldimda transport bormi?» emas, «qaysi hududga borsam xavf oshadi?» savolini ham berishi mumkin.

Ushbu yondashuvning muhim afzalligi xavfning fazoviy tuzilmasini ko‘rsatishidir. Ya’ni xavf faqat bitta transport nuqtasi sifatida emas, yo‘lga tarqalgan ta’sir sifatida modellashtiriladi.

DRIFT nima taklif qiladi?

DRIFT, Driving Risk Inference via Field Transmission iborasining qisqartmasidir. O‘zbek tiliga «maydon uzatish orqali haydash xavfini chiqarish» deb tarjima qilish mumkin.

Usul trafikdagi xavfni fizika asosidagi uzatish modeli bilan vaqt o‘tishi bilan yangilaydi. Xavf faqat o‘sha paytdagi transport joylashuvlaridan hosil bo‘lmaydi; u trafik oqimi bo‘ylab ko‘chirilishi, noaniqlik tufayli tarqalishi va xavf yo‘qolganda vaqt o‘tishi bilan tozalanishi mumkin.

DRIFT uch asosiy xavf manbasini birlashtiradi:

Transport manbali xavf:
Ko‘rinadigan transportlarning joylashuvi, tezligi va harakat yo‘nalishidan keladigan xavf.

Ko‘rinish to‘siqlari manbali yashirin xavf:
Yuk mashinasi yoki katta transportlar ortida ko‘rinmaydigan ehtimoliy xavflar.

Qo‘shilish hududi xavfi:
Yo‘l topologiyasi, ayniqsa qo‘shilish va chiziq birlashish nuqtalarining yaratgan to‘qnashuv bosimi.

Ushbu uch manba umumiy xavf maydoni ichida jamlanadi.

1-rasm nima haqida?

Maqoladagi 1-rasm DRIFTning umumiy ish oqimini ko‘rsatadi.

Birinchi qismda transportlarning joylashuvi, tezligi, yo‘nalishi, yo‘l chegaralari, chiziq markazlari va statik/dinamik to‘siqlar olinadi. Keyin bu ma’lumotlar uch xavf manbasiga aylantiriladi:

Transportlar hosil qilgan xavf,
ko‘rinish to‘siqlari bilan paydo bo‘lgan yashirin xavf,
qo‘shilish hududlaridagi topologik to‘qnashuv xavfi.

So‘ng bu manbalar PDE asosidagi xavf uzatish modeliga kiradi. Natijada vaqt o‘tishi bilan o‘zgaradigan dinamik xavf maydoni hosil bo‘ladi.

Rasmning asosiy xabari shudir:

DRIFT avtonom haydash xavfini faqat transportlar ro‘yxati sifatida emas, fizik jihatdan tarqaladigan va tozalanadigan yo‘l maydoni sifatida ko‘radi.

Asosiy formula nima haqida?

Maqoladagi asosiy xavf maydoni tenglamasi quyidagi g‘oyani o‘z ichiga oladi:

Xavf o‘zgarishi = tarqalish − oqim bilan ko‘chish + yangi xavf manbalari − eski xavfning so‘nishi

Texnik formula sodda tarzda shunday tushuntiriladi:

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

Bu yerda:

R, yo‘l bo‘ylab xavf maydonidir.
Diffusion, xavfning atrofga tarqalishini ifodalaydi.
Advection, xavfning trafik oqimi yo‘nalishida ko‘chishini ta’minlaydi.
Source, transportlar, ko‘rinish to‘siqlari va qo‘shilish hududlaridan keladigan yangi xavf manbalaridir.
Decay, endi qo‘llab-quvvatlanmaydigan eski xavfning vaqt o‘tishi bilan so‘nishini ta’minlaydi.

Ushbu formulaning o‘quv qiymati shudir:

Model xavfni qat’iy tasvir emas, vaqt o‘tishi bilan oqadigan, tarqaladigan va yo‘qoladigan maydon sifatida ko‘radi.

Diffusion: xavf nima uchun tarqaladi?

Diffusion, ya’ni tarqalish atamasi, xavfning faqat bitta nuqtada qolmasligini ta’minlaydi.

Haqiqiy trafikda transport joylashuvi aniq nuqta deb o‘ylansa ham, kelajakdagi harakatida noaniqlik bor. Ko‘rinish to‘siqlari holatida bu noaniqlik yanada kattalashadi. Yuk mashinasi ortida transport bo‘lishi yoki bo‘lmasligi mumkin; bo‘lsa, qaysi nuqtadan chiqishi aniq emas.

Diffusion bu noaniqlikni fazoviy jihatdan tarqatadi. Shunday qilib xavf faqat tor nuqtada emas, ehtimoliy xavf hududida kengroq maydonga tarqalishi mumkin.

Bu ayniqsa ko‘rinish to‘siqlari senariylarida muhim. Chunki yashirin transportning aniq joylashuvi noma’lum; xavf kengroq soyali hududda saqlanishi kerak.

Advection: xavf trafik oqimi bilan qanday ko‘chiriladi?

Advection, ya’ni ko‘chirish atamasi, xavfning trafik oqimi yo‘nalishida oldinga siljishini ta’minlaydi.

Masalan, qo‘shilish rampasida transport hali ego transportga juda yaqin bo‘lmasligi mumkin. Ammo trafik oqimi uni qisqa vaqt ichida to‘qnashuv hududiga olib kelishi mumkin. Xavf maydoni faqat o‘sha paytdagi joylashuvga bog‘lansa, bu xavf kech seziladi.

Advection atamasi xavfning yo‘l va trafik oqimi bo‘ylab «pastga» ko‘chishiga yordam beradi. Bu tizimga o‘zaro ta’sir nuqtasi paydo bo‘lishidan oldin xavfning kelajakdagi hududlarini erta belgilash imkonini beradi.

Bu DRIFTning erta ogohlantirish qobiliyatining asosiy qismlaridan biridir.

Decay: xavf nima uchun tozalanishi kerak?

Xavf maydoni faqat oshsa, tizim o‘tmishdagi xavflarni uzoq vaqt saqlab qoladi va yo‘lning ba’zi hududlarini keraksiz darajada xavfli deb ko‘rsatishda davom etishi mumkin.

Decay, ya’ni so‘nish atamasi, endi qo‘llab-quvvatlanmaydigan xavfning vaqt o‘tishi bilan kamayishini ta’minlaydi. Masalan, yuk mashinasi ortidagi ko‘rinish to‘siqlari yo‘qolgan va u yerda transport yo‘qligi ko‘rinsa, xavf tez tozalanishi kerak.

DRIFTning muhim hissalaridan biri bu so‘nish tezligini ko‘rinish to‘siqlari geometriyasi bilan bog‘lashidir.

Soya hududi kattalashsa, xavfning to‘planishiga ruxsat beriladi.
Soya hududi kichraysa, xavf tezroq tozalanadi.

Shu tariqa model ham ehtiyotkor, ham keraksiz darajada paranoik bo‘lmaslikka harakat qiladi.

Ko‘rinish to‘siqlari qanday modellashtiriladi?

Maqoladagi 2-rasm highway merging, ya’ni avtomobil yo‘li qo‘shilish senariyosida ko‘rinish to‘siqlari geometriyasini ko‘rsatadi.

Ego transport asosiy chiziqda harakatlanadi. Katta yuk mashinasi yoki treyler ko‘rishni yopadi. Qo‘shilish chizig‘idagi boshqa transport bu yuk mashinasi ortida qolishi mumkin. Ego transport bu yashirin transportni bevosita sezmasligi mumkin.

DRIFT bu holatda yuk mashinasi ortidagi soyali hududni aniqlaydi va bu hududga yashirin xavf qo‘shadi. Bu tizimning «ko‘rmayapman, demak xavf yo‘q» deyishini oldini oladi.

Ushbu yondashuv ayniqsa avtonom haydashda muhim. Chunki inson haydovchilari ham katta transportlar ortidan biror narsa chiqishi mumkinligini sezgi bilan hisobga oladi. DRIFT bu sezginni matematik xavf maydoni ichida ifodalashga harakat qiladi.

Occlusion Window Extraction nima uchun kerak?

Maqala ko‘rinish to‘siqlari senariylarini baholash uchun avval xom trafik yozuvlaridan tegishli vaqt oralig‘ini ajratadi.

Buning uchun ego transportning old hududida og‘ir sinfdagi transport, masalan yuk mashinasi yoki treyler, bor-yo‘qligi tekshiriladi. Agar bunday transport ma’lum old tanlash hududida bo‘lsa, o‘sha kadr ko‘rinish to‘siqlari bilan bog‘liq deb qabul qilinadi.

Keyin bu kadrlar ketma-ket oyna guruhlariga bo‘linadi va har bir oynaning boshiga-oxiriga 2 soniyalik bufer qo‘shiladi.

Bu nima uchun muhim?

Chunki xavf faqat yuk mashinasi to‘g‘ri oldimizda bo‘lganda emas, undan oldin va ko‘rish ochilgandan keyin ham ma’noli. Model xavf qanday to‘planishi va qanday tozalanishini baholash uchun bu vaqt oralig‘i saqlanadi.

Nima uchun yangi baholash ko‘rsatkichlari kerak?

Maqolaga ko‘ra, klassik xavfsizlik ko‘rsatkichlari xavf maydonlarini baholash uchun yetarli bo‘lmasligi mumkin. Chunki xavf maydoni faqat «to‘qnashuv bo‘ldimi?» savolini emas, «xavf to‘g‘ri joyda paydo bo‘ldimi, to‘g‘ri yo‘nalishga tarqaldimi, o‘z vaqtida paydo bo‘ldimi va o‘z vaqtida tozalandimi?» savollarini ham o‘z ichiga oladi.

Shuning uchun DRIFT uchun maydon asosidagi yangi ko‘rsatkichlar qo‘llaniladi.

LCRD:
Qayd etilgan chiziq almashtirishlar past xavfli hujayralarga qarab bo‘lgan-yo‘qligini o‘lchaydi. Yuqori qiymat xavf maydonining haydovchi xatti-harakati bilan mosroq ekanini ko‘rsatishi mumkin.

TAI:
Xavf maydoni xavfli hodisadan qancha oldin ogohlantirganini o‘lchaydi. Yuqori qiymat ertaroq xavf sezgisini anglatadi.

RPR:
Hodisadan keyin xavf xotirasi qancha saqlanganini o‘lchaydi. Juda past bo‘lsa, tizim xavfni darhol unutishi mumkin; juda yuqori bo‘lsa, eski xavf keraksiz qolishi mumkin.

OSI:
Ko‘rinish to‘siqlari darajasi oshganda xavf maydoni bunga qanchalik sezgir ekanini o‘lchaydi.

ORL:
Soya/ko‘rinish to‘siqlari paydo bo‘lganda xavf maydoni bunga qancha kechikish bilan javob berganini o‘lchaydi.

Temp.:
Xavf maydonining kadrdan kadrga qanchalik barqaror ekanini ko‘rsatadi.

Ushbu ko‘rsatkichlar xavf maydonini faqat to‘qnashuv statistikasi bilan emas, xatti-harakat, tarqalish va ko‘rinish to‘siqlari javobi bilan birgalikda baholashga harakat qiladi.

Tajribalar qanday o‘tkazilgan?

Tadqiqotchilar DRIFTni uchta haqiqiy dunyo trafik ma’lumotlar to‘plami bo‘yicha baholaydi:

exiD: Avtomobil yo‘li va o‘zaro haydash senariylari.
rounD: Aylana chorraxa ma’lumotlari.
inD: Chorraxa ma’lumotlari.

Barcha tajribalar umumiy yuqoridan ko‘rish gridi bo‘yicha o‘tkazilgan. Taqqoslash uchun statik fizika asosidagi xavf maydonlari va dinamik ma’lumotlarga asoslangan xavf maydoni usullari qo‘llangan.

Statik usullar kadrma-kadr xavfni hisoblaydi. Shuning uchun ularda vaqt xotirasi yo‘q. Dinamik usullar esa xavfning vaqt o‘tishi bilan o‘zgarishini ko‘proq hisobga olishi mumkin.

2-jadval nima ko‘rsatadi?

2-jadval DRIFTning ko‘plab ko‘rsatkichlarda taqqoslash usullaridan yaxshiroq natija berganini ko‘rsatadi.

DRIFTning xabar qilingan natijalari quyidagicha:

LCRD: 89%
RPR: 0.74
TAI: 0.41, ya’ni taxminan +0.62 soniya erta ogohlantirish
OSI: 0.52
ORL: 0.31 soniya
Ko‘rinish to‘siqlari ostida yaqin to‘qnashuv o‘sishi: +1.4%
Temporal barqarorlik: 0.91

RiskNet bilan taqqoslanganda DRIFTning LCRD qiymati 82% dan 89% ga, TAI qiymati 0.24 dan 0.41 ga, ORL qiymati 0.65 soniyadan 0.31 soniyaga yaxshilanadi. Ko‘rinish to‘siqlari ostida yaqin to‘qnashuv o‘sishi RiskNetda +3.5% bo‘lsa, DRIFTda +1.4% deb xabar qilinadi.

Ushbu jadvalga ko‘ra DRIFT ham haydovchi xatti-harakati bilan mosroq xavf maydoni hosil qiladi, ham ko‘rinish to‘siqlari holatida tezroq va barqarroq javob beradi.

Biroq bu natijalar tanlangan ma’lumotlar to‘plamlari va tajriba protokoli doirasida baholanishi kerak.

3-rasm nima haqida?

3-rasm rounD, inD va exiD senariyalarida xavf maydonlarining vizual taqqoslashini ko‘rsatadi.

Statik usullar odatda ko‘rinadigan transportlar va yo‘l geometriyasi atrofida keng va ba’zan haddan tashqari umumiy xavf hududlarini hosil qiladi. DRIFT esa xavfni trafik oqimi va to‘qnashuv yo‘nalishlari bo‘ylab yanada tuzilgan tarzda tarqatadi.

Ayniqsa yuk mashinasi-treyler kabi katta transportlar hosil qilgan ko‘rinish to‘siqlari holatida DRIFT xavfning faqat qat’iy potensial sifatida atrofga tarqalishidan ko‘ra, ehtimoliy trafik oqimi va qo‘shilish to‘qnashuvlari bo‘ylab uzatilishini ta’minlaydi.

Ushbu tasvirning sodda xabari shudir:

DRIFT xavf qayerda yuqori ekanini emas, xavf vaqt o‘tishi bilan qayerga ko‘chishi mumkinligini ham ko‘rsatishga harakat qiladi.

3-jadval nima ko‘rsatadi?

3-jadval DRIFT qaysi PDE komponentidan qanchalik foyda olganini tushunish uchun o‘tkazilgan ablation tadqiqotini ko‘rsatadi.

Natijalar quyidagicha:

Faqat source atamalari:
TAI 0.08, RPR 0.51, OSI 0.35, ORL 0.95 s, Temp. 0.65

Diffusion qo‘shilganda:
TAI 0.12, RPR 0.58, OSI 0.42, ORL 0.78 s, Temp. 0.72

Advection qo‘shilganda:
TAI 0.35, RPR 0.66, OSI 0.44, ORL 0.62 s, Temp. 0.85

To‘liq model, decay bilan:
TAI 0.41, RPR 0.74, OSI 0.52, ORL 0.31 s, Temp. 0.91

Ushbu jadval model qismlarini o‘quv jihatidan ko‘rsatadi.

Diffusion ko‘rinish to‘siqlari noaniqligini kengroq hududga tarqatib OSI qiymatini oshiradi.
Advection xavfni trafik oqimi yo‘nalishida ko‘chirib erta ogohlantirish qobiliyatini sezilarli darajada oshiradi.
Decay eski xavfni tozalab eng tez ko‘rinish to‘siqlari javobini va eng yuqori temporal barqarorlikni ta’minlaydi.

4-rasm nima haqida?

4-rasm xuddi shu avtomobil yo‘li qo‘shilish sahnasida to‘rt xil xavf maydoni sozlamasini ko‘rsatadi.

Faqat source: Xavf transportlar va to‘qnashuv hududlari atrofida keskin qoladi.
Diffusion qo‘shilgan: Xavf yumshoqroq tarqaladi, lekin aniq yo‘nalish tuzilmasi cheklangan.
Advection qo‘shilgan: Xavf trafik oqimi bo‘ylab pastga ko‘chiriladi va «xavf izi» hosil bo‘ladi.
To‘liq DRIFT: Xavf ham yo‘nalishli tarqaladi, ham eski xavf tozalanadi.

Ushbu tasvirning asosiy xabari PDE atamalarining har biri turli vazifani bajarishi. DRIFTning kuchi bitta xavf manbasidan emas, source, tarqalish, ko‘chirish va decay ta’sirlarining birgalikda ishlashidan keladi.

Tadqiqot nima deydi?

Tadqiqotning asosiy xabari shudir:

Avtonom haydashda xavfni faqat lahzali va juftlik xavfsizlik ko‘rsatkichlari bilan emas, vaqt o‘tishi bilan rivojlanadigan maydon sifatida modellashtirish mumkin.

DRIFT bu maydonni fizika asosidagi PDE bilan yangilaydi. Shunday qilib xavf ko‘rinadigan transportlardan, ko‘rinmaydigan ehtimoliy xavflardan va yo‘l topologiyasidan keladigan manbalar bilan oziqlanadi. Keyin trafik oqimi bilan ko‘chiriladi, noaniqlik tufayli tarqaladi va endi qo‘llab-quvvatlanmasa tozalanadi.

Tajribalar ushbu yondashuv ayniqsa ko‘rinish to‘siqlari va qo‘shilish senariyalarida erta ogohlantirish, xatti-harakat mosligi va temporal barqarorlik nuqtai nazaridan afzallik berishi mumkinligini ko‘rsatadi.

Bu nima uchun muhim?

Avtonom transport xavfsizligidagi eng qiyin masalalardan biri «ko‘rinmaydigan, lekin mumkin bo‘lgan» xavflarni boshqarishdir. Inson haydovchi yuk mashinasi ortidan transport chiqishi mumkinligini sezgi bilan hisobga oladi. Avtonom transportlar ham shunga o‘xshash tarzda noaniqlikni ehtiyotkor, lekin o‘lchovli baholashi kerak.

Xavf maydoni yondashuvi avtonom transport qaror tizimiga faqat «bu transport shu yerda» ma’lumotini emas, «bu hududga ehtiyotkorroq yondashish kerak» ma’lumotini ham berishi mumkin.

Bunday modellar kelajakda chiziq almashtirish, qo‘shilish rampasi, chorraxa o‘tishi, ko‘rinish to‘siqlari, zich trafik va aralash haydash muhitlari uchun yanada tushunarli xavf xaritalari yaratishga hissa qo‘shishi mumkin.

E’tibor berish kerak bo‘lgan nuqtalar

Ushbu tadqiqot muhim yo‘nalish taklif qilsa ham, ehtiyotkor o‘qilishi kerak.

Birinchidan, tadqiqot arXiv versiyasidir va maqolada IEEE ITSC 2026 qabul ma’lumoti bo‘lsa ham, natijalar baribir tajribaviy kontekstda baholanishi kerak.

Ikkinchidan, DRIFT haqiqiy trafikda bevosita xavfsizlik kafolati bermaydi. U ma’lumotlar to‘plamlari va tanlangan senariylar bo‘yicha sinovdan o‘tkazilgan.

Uchinchidan, PDE parametrlari sozlanishi mumkin. Turli trafik madaniyatlari, yo‘l tuzilmalari, sensor sifati va transport xatti-harakati uchun qayta kalibrlash talab qilinishi mumkin.

To‘rtinchidan, ko‘rinish to‘siqlari ostidagi yashirin xavf taxminlari ehtiyotkor boshqarilishi kerak. Haddan tashqari ehtiyotkor model keraksiz tormoz yoki sekinlashish hosil qilishi mumkin; kam ehtiyotkor model esa yashirin xavfni kech sezishi mumkin.

Beshinchidan, yaqin to‘qnashuv darajasi kabi ko‘rsatkichlar muhim bo‘lsa ham, haqiqiy xavfsizlik baholashi uchun simulyatsiya, yopiq maydon sinovlari, haqiqiy transport sinovlari va regulyator jarayonlari kerak.

Nihoyat, ushbu kontent haydash xavfsizligi yoki avtonom transport dizayni uchun professional muhandislik maslahati emas.

Xulosa

DRIFT tadqiqoti avtonom transportlarda xavf baholash uchun kuchli g‘oya taklif qiladi: xavfni yo‘l bo‘ylab vaqt o‘tishi bilan tarqaladigan, ko‘chiriladigan va tozalanadigan maydon sifatida modellashtirish mumkin.

Ushbu yondashuv ayniqsa yuk mashinasi kabi katta transportlar ko‘rishni yopgan va qo‘shilish chiziqlarida to‘qnashuv ehtimoli ortgan senariylarda ma’noliroq bo‘lishi mumkin. Tajribalarda DRIFT tanlangan taqqoslash usullariga nisbatan haydovchi xatti-harakati bilan mosroq xavf maydonlari hosil qilgan, ertaroq ogohlantirgan va ko‘rinish to‘siqlari holatida tezroq javob bergan.

Tadqiqotning eng muhim xabari shudir:

Avtonom haydashda xavfsizlik faqat ko‘rinadigan transportga javob berish emas; ko‘rinmaydigan xavf qayerdan kelishi mumkinligini o‘z vaqtida va o‘lchovli tarzda bashorat qilishdir.

Manba va usul eslatmasi

Bu kontent Zian Wang, Yiming Shu, Zejian Deng va Chen Sun tomonidan tayyorlangan «DRIFT: Driving Risk Inference via Field Transmission for Human-like Autonomous Driving» nomli akademik ish asosida Verianla tahririy formatida mustaqil tayyorlangan.

PDFda tadqiqotning IEEE International Conference on Intelligent Transportation Systems 2026 tomonidan qabul qilinganligi va arXiv versiyasi mavjudligi ko‘rsatilgan. Kontent ma’lumot va ta’lim maqsadida tayyorlangan. Avtonom transport ishlab chiqish, trafik xavfsizligi, muhandislik tasdiqlash, haydash tizimi dizayni yoki professional texnik maslahat o‘rnini bosmaydi.