十字路口是一个具有很大挑战性的交通场景，也是非常容易发生交通事故的地方。在美国，有23%的致命交通事故和32%的非致命交通事故发生在十字路口处。机器感知和程序控制的进步，让车辆配备了辅助人驾驶的ADAS系统，但是系统可能很难推理出三叉路口周围的交通情况。
就像上方的示例图一样，在面临这种没有红绿灯的三叉路口，人开车也需要小心翼翼地试探。对于自动驾驶车辆来说，由于对面的建筑物对视野形成遮挡，感知系统可能无法检测到其他车辆，由于道路交叉不延续，导致建筑物或道路几何形状可见性差。跟踪和检测其他道路对象变得很困难。所以，在建模型的时候，必须考虑到由此产生的不确定性和风险，同时确保在完善与不完善的感知下的鲁棒性，并保持计算效率。
来自丰田研究院的专家们就做了这样一研究，他们对在交叉路口发生碰撞的风险进行建模，并部署完整和共享的自主系统以提高车辆安全性。其驾驶辅助系统的框架体现了一个平行的自治系统，在该系统中，人保持着对车辆的主要控制权，但是自主系统可以进行干预以确保安全。
该模型可以解释道路相互作用的几个关键方面：交叉道路，阻塞，传感器错误和驾驶员注意力。在示例图中，自动驾驶车辆尝试向左转弯，毗邻交叉路口的房屋遮挡了自我车辆和横穿车辆的视线，给彼此姿势的估计带来了不确定性。
研究人员将道路分成小段，这有助于合并模型确定是否占用了任何给定段来估计碰撞的条件风险。自动驾驶汽车配备了传感器，可测量道路上其他汽车的速度。当传感器为驶入可见段的汽车计时时，模型将使用该速度来预测这个汽车在所有其他段的行驶进度。概率贝叶斯网络还考虑不确定性（例如嘈杂的传感器或不可预测的速度变化）来确定每个路段被过往车辆占用的可能性。
由于周围有遮挡，单一测量可能不够用。基本上，如果传感器无法看到指定的路段，则该模型会将其分配为被遮挡的可能性很大。如果汽车只是快速驶入交通，则从汽车所在的位置开始，发生碰撞的风险就会增加。这将激励汽车向前推动，以更好地了解所有被遮挡的路段。随着汽车的行驶，模型降低了不确定性，进而降低了碰撞风险。
但是，即使该模型正确执行了所有操作，仍然存在人为错误，因此该模型还可以估算其他驾驶员的意识。研究者麦吉尔说“如今，驾驶员可能会发短信或以其他方式分散注意力，因此做出反应所需的时间可能更长。” “所以，我们也为条件风险建模。”
这取决于计算驾驶员看见或不看见自动驾驶汽车驶入十字路口的概率。为此，模型将查看行驶的汽车在十字路口之前经过的路段数。在到达十字路口之前，它占据的路段越多，发现自动驾驶汽车的可能性就越高，发生碰撞的风险也就越低。
研究人员说，在遥控汽车上实时运行合并模型表明，它的效率和速度足够快，可以在不久的将来部署到量产的自动测试汽车中。许多其他模型的计算量太大，无法在这些汽车上运行。该模型在实际应用于量产车中之前，仍需要进行更严格的测试。
这其实是借助了一种类似欧拉公式的方法，建立了该模型，并将其作为一种补充风险度量，自动驾驶汽车系统可以使用该模型更好地推理出安全通过交叉路口的情况。该模型也可能在某些先进的驾驶员辅助系统（ADAS）中实现。接下来，研究人员的目标是在模型中加入其他具有挑战性的风险因素，例如在路口及其周围存在行人。
