Введение
Каждый, кто садится за руль мотоцикла или скутера, знает: транспортное средство на двух колёсах требует мгновенной реакции. А если добавить жёсткий дедлайн — например, когда нужно успеть в пункт назначения вовремя, — ситуация становится по-настоящему опасной. Стресс от цейтнота ухудшает оценку дистанции, увеличивает время принятия решения и заставляет идти на неоправданный риск. Большинство существующих систем помощи водителю оценивают только физическое состояние движения, игнорируя психологический контекст.
Исследовательская группа представила фреймворк MotoSafety, который решает эту задачу на границе сети. Модель работает прямо на устройстве, не отправляя данные в облако, и учитывает не только траекторию, но и степень временного давления. Такой подход позволяет предупреждать водителя о риске столкновения в те моменты, когда он сам этого не замечает.
Датасет и условия симуляторных экспериментов
Чтобы научить модель понимать влияние дедлайнов, авторы построили крупный набор данных на базе симулятора. В экспериментах участвовал 51 человек, каждый из которых выполнил по три поездки. Всего получилось 153 симуляторных заезда, а итоговая выборка включает более 129 000 размеченных окон многомерных временных рядов.
Сценарии различались степенью временного давления: без ограничений по времени (No TP), с умеренным (Low TP) и жёстким (High TP) дедлайном. Такое разделение позволило изолировать влияние стресса как отдельной переменной.
Для каждого временного окна фиксировались 64 атрибута. Это не только скорость и ускорение, но и параметры управления рулём, дистанция до ближайших объектов, а также индикаторы нарушения правил. Благодаря такой полноте данных модель может различать опасные манёвры, вызванные неопытностью, и те, что спровоцированы стремлением успеть.
Как работает MotoSafety
Ключевая идея фреймворка — концепция learned temporal importance (LTI). Вместо того чтобы обрабатывать все моменты времени с одинаковым весом, модель сама выявляет, какие фрагменты поездки действительно критичны для прогноза риска. Например, резкое изменение траектории за секунду до потенциального столкновения важнее, чем пятисекундное равномерное движение по прямой. Это снижает вычислительные затраты и одновременно повышает точность.
Архитектура и производительность
По техническим характеристикам MotoSafety выглядит очень привлекательно для реального внедрения. Всего 1,15 миллиона параметров, а задержка на одном примере составляет 0,135 миллисекунды на недорогом процессоре. Сравните это с массивными нейросетями, которые требуют серверов с GPU, — здесь достаточно компактного встраиваемого чипа.
На тестовых данных модель достигла 94,97% точности и 99,33% площади под ROC-кривой. Это превосходные показатели для систем оценки рисков. При этом она обошла десять базовых алгоритмов, включая мощные трансформеры вроде TimesNet и LLM4TS. Ошибка прогнозирования составила 0,039 MSE и 0,094 MAE — то есть в 4,4 раза меньше, чем у Time-LLM и iTransformer, которые считаются сильными бейзлайнами временных рядов.
Учёт цейтнота как индуктивного смещения
Особенно интересен результат использования метки временного давления. Если подавать в модель истинное значение уровня стресса (ground truth) как дополнительный признак, точность возрастает с 94,09% до 94,97%. Казалось бы, прирост небольшой, но для задач безопасности это значимая разница — на сотнях тысяч поездок он может предотвратить множество аварий.
Более важно, что модель может предсказывать уровень временного давления сама. В этом случае точность падает лишь до 94,82% — всего на 0,15 процентных пункта ниже, чем при использовании реальных меток. Это открывает путь к применению системы в реальном мире, где мы не знаем заранее психологическое состояние водителя. MotoSafety способна оценить степень цейтнота по стилю вождения и уже затем скорректировать прогноз риска.
Компактность и работа на границе сети
Для серийного использования критична простота интеграции. И здесь фреймворк тоже показывает отличные результаты. Если убрать большую часть датчиков и оставить только 21 сигнал с IMU и GPS, точность остаётся на уровне 93,91%. Это означает, что система может работать на базе обычного смартфона, закреплённого на руле, или недорогого модуля, встроенного в шлем.
Малое количество признаков снижает стоимость производства и энергопотребление. Кроме того, благодаря полной автономности устройства отпадает проблема задержек связи и приватности данных. Все вычисления происходят локально — водитель не зависим от интернета и не передаёт свои перемещения на внешние серверы.
Переносимость на другие области
Архитектура LTI оказалась не просто хорошим решением именно для мототранспорта. Авторы проверили её на задачах распознавания активности человека — там точность достигла 97,66%. А на клинических временных рядах (например, данных пациентов в интенсивной терапии) модель добилась 99,65%. Это подтверждает, что идея обучения важности отдельных временных отрезков универсальна: она способна работать в самых разных сферах, где есть потоки сигналов от датчиков.
Выводы
Работа выполнена в логике Safe System Approach — концепции, которая переносит фокус с поиска виноватого на создание безопасной среды. Интеллектуальные транспортные системы, основанные на таких алгоритмах, могли бы заранее предупреждать мотоциклиста об опасности и компенсировать ошибки, вызванные стрессом.
Конечно, симуляторные данные всегда отличаются от реальных дорог. Но задержка в 0,135 миллисекунды, компактность модели и устойчивость к сокращению числа признаков делают **MotoSafety]] реальным кандидатом для прототипирования на настоящем транспорте. Если следующие этапы пройдут успешно, мы можем увидеть системы, которые действительно понимают, когда водитель спешит — и помогают ему не рисковать.
