對於駕駛輔助系統來說，如何提高十字路口處導航的安全性仍然是一個難題。本文研究了在遮擋和錯誤感知的場景下，車輛如何安全地導航並通過無交通訊號的十字路口。

十字路口是一個具有很大挑戰性的交通場景，也是非常容易發生交通事故的地方。在美國，有23%的致命交通事故和32%的非致命交通事故發生在十字路口處。機器感知和程式控制的進步，讓車輛配備了輔助人駕駛的ADAS系統，但是系統可能很難推理出三叉路口周圍的交通情況。

就像上方的示例圖一樣，在面臨這種沒有紅綠燈的三叉路口，人開車也需要小心翼翼地試探。對於自動駕駛車輛來說，由於對面的建築物對視野形成遮擋，感知系統可能無法檢測到其他車輛，由於道路交叉不延續，導致建築物或道路幾何形狀可見性差。跟蹤和檢測其他道路物件變得很困難。所以，在建模型的時候，必須考慮到由此產生的不確定性和風險，同時確保在完善與不完善的感知下的魯棒性，並保持計算效率。

來自豐田研究院的專家們就做了這樣一研究，他們對在交叉路口發生碰撞的風險進行建模，並部署完整和共享的自主系統以提高車輛安全性。其駕駛輔助系統的框架體現了一個平行的自治系統，在該系統中，人保持著對車輛的主要控制權，但是自主系統可以進行干預以確保安全。

該模型可以解釋道路相互作用的幾個關鍵方面：交叉道路，阻塞，感測器錯誤和駕駛員注意力。在示例圖中，自動駕駛車輛嘗試向左轉彎，毗鄰交叉路口的房屋遮擋了自我車輛和橫穿車輛的視線，給彼此姿勢的估計帶來了不確定性。

研究人員將道路分成小段，這有助於合併模型確定是否佔用了任何給定段來估計碰撞的條件風險。自動駕駛汽車配備了感測器，可測量道路上其他汽車的速度。當感測器為駛入可見段的汽車計時時，模型將使用該速度來預測這個汽車在所有其他段的行駛進度。概率貝葉斯網路還考慮不確定性（例如嘈雜的感測器或不可預測的速度變化）來確定每個路段被過往車輛佔用的可能性。

由於周圍有遮擋，單一測量可能不夠用。基本上，如果感測器無法看到指定的路段，則該模型會將其分配為被遮擋的可能性很大。如果汽車只是快速駛入交通，則從汽車所在的位置開始，發生碰撞的風險就會增加。這將激勵汽車向前推動，以更好地了解所有被遮擋的路段。隨著汽車的行駛，模型降低了不確定性，進而降低了碰撞風險。但是，即使該模型正確執行了所有操作，仍然存在人為錯誤，因此該模型還可以估算其他駕駛員的意識。研究者麥吉爾說“現在，駕駛員可能會發簡訊或以其他方式分散注意力，因此做出反應所需的時間可能更長。” “所以，我們也為條件風險建模。”這取決於計算駕駛員看見或不看見自動駕駛汽車駛入十字路口的概率。為此，模型將檢視行駛的汽車在十字路口之前經過的路段數。在到達十字路口之前，它佔據的路段越多，發現自動駕駛汽車的可能性就越高，發生碰撞的風險也就越低。

研究人員說，在遙控汽車上實時執行合併模型表明，它的效率和速度足夠快，可以在不久的將來部署到量產的自動測試汽車中。許多其他模型的計算量太大，無法在這些汽車上執行。該模型在實際應用於量產車中之前，仍需要進行更嚴格的測試。這其實是藉助了一種類似尤拉公式的方法，建立了該模型，並將其作為一種補充風險度量，自動駕駛汽車系統可以使用該模型更好地推理出安全通過交叉路口的情況。該模型也可能在某些先進的駕駛員輔助系統（ADAS）中實現。接下來，研究人員的目標是在模型中加入其他具有挑戰性的風險因素，例如在路口及其周圍存在行人。