論文の概要: Network-level Safety Metrics for Overall Traffic Safety Assessment: A
Case Study
- arxiv url: http://arxiv.org/abs/2201.13229v1
- Date: Thu, 27 Jan 2022 19:07:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-05 09:38:26.433800
- Title: Network-level Safety Metrics for Overall Traffic Safety Assessment: A
Case Study
- Title（参考訳）: 交通安全総合評価のためのネットワークレベルの安全基準 : ケーススタディ
- Authors: Xiwen Chen, Hao Wang, Abolfazl Razi, Brendan Russo, Jason Pacheco,
John Roberts, Jeffrey Wishart, Larry Head
- Abstract要約: 本稿では,道路インフラストラクチャセンサによる画像の処理による交通流の安全性評価のための,ネットワークレベルの新しい安全性指標について述べる。
安全性指標とクラッシュデータの統合解析により,代表的なネットワークレベルの安全性指標とクラッシュ頻度との洞察力のある時間的および空間的相関が明らかになった。
- 参考スコア（独自算出の注目度）: 7.8191100993403495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driving safety analysis has recently witnessed unprecedented results due to
advances in computation frameworks, connected vehicle technology, new
generation sensors, and artificial intelligence (AI). Particularly, the recent
advances performance of deep learning (DL) methods realized higher levels of
safety for autonomous vehicles and empowered volume imagery processing for
driving safety analysis. An important application of DL methods is extracting
driving safety metrics from traffic imagery. However, the majority of current
methods use safety metrics for micro-scale analysis of individual crash
incidents or near-crash events, which does not provide insightful guidelines
for the overall network-level traffic management. On the other hand,
large-scale safety assessment efforts mainly emphasize spatial and temporal
distributions of crashes, while not always revealing the safety violations that
cause crashes. To bridge these two perspectives, we define a new set of
network-level safety metrics for the overall safety assessment of traffic flow
by processing imagery taken by roadside infrastructure sensors. An integrative
analysis of the safety metrics and crash data reveals the insightful temporal
and spatial correlation between the representative network-level safety metrics
and the crash frequency. The analysis is performed using two video cameras in
the state of Arizona along with a 5-year crash report obtained from the Arizona
Department of Transportation. The results confirm that network-level safety
metrics can be used by the traffic management teams to equip traffic monitoring
systems with advanced AI-based risk analysis, and timely traffic flow control
decisions.
- Abstract（参考訳）: 運転安全分析は最近、計算フレームワーク、コネクテッドカー技術、新しい世代センサー、人工知能(AI)の進歩により、前例のない成果をみせた。
特に、近年のディープラーニング(DL)手法の性能向上により、自動運転車の安全性が向上し、運転安全分析のためのボリューム画像処理が強化された。
DL手法の重要な応用は、交通画像から運転安全指標を抽出することである。
しかし,現状の手法の多くは,個々の事故や事故に近い事象のマイクロスケール解析に安全基準を用いており,ネットワークレベルの交通管理全体に対する洞察に富むガイドラインを提供していない。
一方、大規模な安全評価の取り組みは、主に事故の原因となる安全違反を明らかにしつつも、事故の空間的および時間的分布を強調している。
これら2つの視点を橋渡しするために,道路側インフラストラクチャセンサによる画像の処理による交通流の安全性評価のためのネットワークレベルの安全性指標を新たに定義する。
安全基準とクラッシュデータの統合分析により、ネットワークレベルの安全基準とクラッシュ頻度との洞察に富む時間的・空間的相関が明らかになった。
この分析はアリゾナ州の2台のビデオカメラを使って行われ、アリゾナ州運輸省から5年間の事故報告が得られた。
その結果、ネットワークレベルの安全基準が交通管理チームによって、高度なAIベースのリスク分析とタイムリーなトラフィックフロー制御決定を備えた交通監視システムに利用できることを確認した。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - Enhancing Road Safety: Real-Time Detection of Driver Distraction through Convolutional Neural Networks [0.0]
本研究は,運転者の気晴らしをリアルタイムに検出する上で,最も効率的なモデルを明らかにすることを目的とする。
最終的な目的は、この発見を車両の安全システムに組み込むことであり、不注意によって引き起こされる事故を防ぐ能力を大幅に向上させることである。
論文 参考訳（メタデータ） (2024-05-28T03:34:55Z) - AccidentGPT: Accident Analysis and Prevention from V2X Environmental
Perception with Multi-modal Large Model [32.14950866838055]
AccidentGPTは総合的な事故解析とマルチモーダル大模型の予防である。
自律走行車では、車両を制御し衝突を避けるための総合的な環境認識と理解を提供する。
人間の運転する車には、プロアクティブな長距離安全警告と盲点警告を提供します。
我々のフレームワークは、歩行者、車両、道路、環境を含む交通安全のインテリジェントでリアルタイムな分析を支援する。
論文 参考訳（メタデータ） (2023-12-20T16:19:47Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - AI on the Road: A Comprehensive Analysis of Traffic Accidents and
Accident Detection System in Smart Cities [0.0]
本稿では,米国各地における交通事故の包括的分析について述べる。
事故検出と交通分析の課題に対処するために,交通監視カメラと行動認識システムを用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-22T17:08:13Z) - Infrastructure-based End-to-End Learning and Prevention of Driver
Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文 参考訳（メタデータ） (2023-03-21T22:55:51Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - SafeLight: A Reinforcement Learning Method toward Collision-free Traffic
Signal Control [5.862792724739738]
アメリカの道路事故の4分の1は、信号のタイミングの問題により交差点で発生している。
安全強化強化学習法(SafeLight)を提案する。
本手法は交通の移動性を高めながら衝突を著しく低減することができる。
論文 参考訳（メタデータ） (2022-11-20T05:09:12Z) - Analyzing vehicle pedestrian interactions combining data cube structure
and predictive collision risk estimation model [5.73658856166614]
本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。
本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
論文 参考訳（メタデータ） (2021-07-26T23:00:56Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。