Research indexThesis
การพฒนาระบบผสานขอมลหลายเซนเซอรสำหรบการวเคราะหความเสยง ของผขบขรถจกรยานยนตในเขตเมองภายใตสภาพการขบขจรง
ศุภพรโอภาส
1 Jan 2026
NobleIDark:/48914/w1/20261105/A67C7B41DOI10.58837/chula.the.2026.16
การพฒนาระบบผสานขอมลหลายเซนเซอรสำหรบการวเคราะหความเสยง ของผขบขรถจกรยานยนตในเขตเมองภายใตสภาพการขบขจรง
ศุภพรโอภาส · 2026 · Subscription
NobleIDark:/48914/w1/20261105/A67C7B41DOI10.58837/chula.the.2026.16
The full text is at the publisher
You can read the abstract here, or open it at the publisher.
Abstract
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนากระบวนการผสานข้อมูลหลายเซนเซอร์สำหรับการวิเคราะห์ความเสี่ยงของผู้ขับขี่รถจักรยานยนต์ในเขตเมืองภายใต้สภาพการขับขี่จริง โดยใช้ข้อมูลทุติยภูมิจากฐานข้อมูลการขับขี่แบบธรรมชาติ ซึ่งบันทึกจากรถจักรยานยนต์ที่ติดตั้ง 3D LiDAR กล้องวิดีโอ ระบบ CAN Bus และ GNSS/IMU งานวิจัยมุ่งแก้ข้อจำกัดของข้อมูลเดิมที่ยังไม่สามารถติดตามวัตถุอย่างต่อเนื่อง จัดแนวเวลาระหว่างเซนเซอร์ และคำนวณตัวชี้วัดความเสี่ยงเชิงพลวัตได้อย่างเป็นระบบ กระบวนการที่พัฒนาขึ้นประกอบด้วยการนำเข้าข้อมูล การจัดแนวเวลา การแปลงระบบพิกัด การตรวจจับและติดตามวัตถุรอบข้าง การประมาณตำแหน่งและความเร็วของวัตถุ ตลอดจนการคำนวณตัวชี้วัดด้านความปลอดภัย ได้แก่ Time Headway, Time to Collision, ระยะช่องว่างด้านหน้าแบบ edge-to-edge, ระยะช่องว่างด้านข้างแบบ edge-to-edge และ safety index ผลการประเมินระบบตรวจจับวัตถุพบว่าแนวทาง Fusion ให้ค่า Precision = 0.90, Recall = 0.92 และ F1-score = 0.91 ซึ่งให้สมดุลระหว่างความถูกต้องและความครอบคลุมของการตรวจจับดีที่สุดเมื่อเทียบกับการใช้ LiDAR หรือ YOLO เพียงอย่างเดียว การประเมินขนาด bounding box จาก LiDAR CenterPoint และ object tracking มีค่า mean absolute error ของความยาว 0.09 m และความกว้าง 0.06 m ขณะที่การประมาณความเร็ววัตถุจาก object tracking มีค่า MAE ประมาณ 0.22–0.24 km/h ผลลัพธ์ดังกล่าวแสดงให้เห็นว่าข้อมูลที่ผ่านการผสานเซนเซอร์และติดตามวัตถุสามารถใช้สร้างตัวชี้วัดความเสี่ยงของรถจักรยานยนต์ได้ในระดับเวลาและตำแหน่งของการขับขี่จริง นอกจากนี้ งานวิจัยยังแบ่งพื้นที่ถนนออกเป็น 4 โซน และแบ่งวัตถุรอบข้างตามขนาดเป็นกลุ่มเล็ก กลาง และใหญ่ เพื่อเปรียบเทียบค่า TH, TTC, ระยะช่องว่างด้านหน้า ระยะช่องว่างด้านข้าง และ safety index ตามบริบทจราจรที่แตกต่างกัน ข้อมูลดังกล่าวถูกนำไปใช้สร้างชุดข้อมูลสำหรับแบบจำลองการเรียนรู้ของเครื่องเพื่อจำแนกแนวโน้มการเคลื่อนที่ผ่านหรือแซงวัตถุด้านหน้า โดยแบบจำลอง Random Forest ให้ผลดีที่สุด มีค่า ROC-AUC = 0.939, Accuracy = 0.880, Precision = 0.474, Recall = 0.819 และ F1-score = 0.601 งานวิจัยนี้จึงเป็นพื้นฐานสำหรับการประเมินความเสี่ยงของผู้ขับขี่รถจักรยานยนต์ในสภาพการจราจรแบบผสม และสนับสนุนการพัฒนาระบบช่วยเหลือผู้ขับขี่ในอนาคต