Fugu-MT 論文翻訳(概要): Prevent Car Accidents by Using AI

論文の概要: Prevent Car Accidents by Using AI

arxiv url: http://arxiv.org/abs/2206.11381v1
Date: Sun, 19 Jun 2022 16:19:52 GMT
ステータス: 処理完了
システム内更新日: 2022-06-24 12:39:44.367732
Title: Prevent Car Accidents by Using AI
Title（参考訳）: aiによる自動車事故の防止
Authors: Sri Siddhartha Reddy Gudemupati, Yen Ling Chao, Lakshmi Praneetha Kotikalapudi, Ebrima Ceesay
Abstract要約: このプロジェクトでは,機械学習を用いた事故予測に関する既存の研究を行っている。クラッシュデータと天気データを使って、マシンラーニングモデルをトレーニングして、クラッシュの重大度を予測し、クラッシュを削減します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Transportation facilities are becoming more developed as society develops, and people's travel demand is increasing, but so are the traffic safety issues that arise as a result. And car accidents are a major issue all over the world. The cost of traffic fatalities and driver injuries has a significant impact on society. The use of machine learning techniques in the field of traffic accidents is becoming increasingly popular. Machine learning classifiers are used instead of traditional data mining techniques to produce better results and accuracy. As a result, this project conducts research on existing work related to accident prediction using machine learning. We will use crash data and weather data to train machine learning models to predict crash severity and reduce crashes.
Abstract（参考訳）: 社会が発展するにつれて交通機関が発展し、人々の旅行需要も増加しているが、結果として交通安全の問題も生じている。そして、自動車事故は世界中で大きな問題だ。交通事故と交通事故のコストは社会に大きな影響を及ぼす。交通事故の分野における機械学習技術の利用は、ますます人気が高まっている。機械学習分類器は従来のデータマイニング技術の代わりに使われ、より良い結果と精度が得られる。その結果,本プロジェクトは機械学習を用いた事故予測に関する既存の研究を行っている。クラッシュデータと天気データを使って、機械学習モデルをトレーニングし、クラッシュの重大度を予測し、クラッシュを減らす。

関連論文リスト

Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2024-08-15T00:51:48Z)
Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文参考訳（メタデータ） (2024-06-16T03:10:16Z)
AI-Based Framework for Understanding Car Following Behaviors of Drivers in A Naturalistic Driving Environment [6.445605125467574]
後続の事故はしばしば致命的なものである。後部事故の原因となる車両の挙動を正確にモデル化する必要がある。本研究では,自然環境における運転行動の理解に関連する特徴を抽出する人工知能フレームワークを開発する。
論文参考訳（メタデータ） (2023-01-23T08:24:33Z)
Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文参考訳（メタデータ） (2022-12-19T11:43:02Z)
Reinforcement Learning for Predicting Traffic Accidents [2.255666468574186]
本稿では,この事故予測プラットフォームにおいて,二重アクターと正規化批評家(DARC)手法を初めて活用することを提案する。 DARCからインスピレーションを得たのは、現在、事故予知に適した連続行動空間における最先端の強化学習(RL)モデルであるためである。その結果,DARCを有効活用することにより,従来の手法に比べて精度の指標を多数改善しながら,平均で5%早く予測できることがわかった。
論文参考訳（メタデータ） (2022-12-09T05:53:30Z)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video Surveillance [2.1076255329439304]
既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
論文参考訳（メタデータ） (2022-09-26T03:00:50Z)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)
Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文参考訳（メタデータ） (2020-08-01T20:21:48Z)
Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文参考訳（メタデータ） (2020-07-10T22:25:27Z)

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。