論文の概要: Connecting Surrogate Safety Measures to Crash Probablity via Causal Probabilistic Time Series Prediction

• arxiv url: http://arxiv.org/abs/2210.01363v1
• Date: Tue, 4 Oct 2022 04:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:32:20.102058
• Title: Connecting Surrogate Safety Measures to Crash Probablity via Causal Probabilistic Time Series Prediction
• Title（参考訳）: 因果確率時系列予測によるサロゲート安全対策とクラッシュ確率の関連
• Authors: Jiajian Lu, Offer Grembek, Mark Hansen
• Abstract要約: 本稿では,確率的時系列予測を用いて,サロゲート安全対策とクラッシュ確率を結合する手法を提案する。 この手法では, 速度, 加速度, 時間対衝突のシーケンスを用いて, それらの変数の確率密度関数を推定した。 推定シーケンスは正確であり, 条件付き衝突確率は, 衝突防止のための回避行動の有効性を示す。
• 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: Surrogate safety measures can provide fast and pro-active safety analysis and give insights on the pre-crash process and crash failure mechanism by studying near misses. However, validating surrogate safety measures by connecting them to crashes is still an open question. This paper proposed a method to connect surrogate safety measures to crash probability using probabilistic time series prediction. The method used sequences of speed, acceleration and time-to-collision to estimate the probability density functions of those variables with transformer masked autoregressive flow (transformer-MAF). The autoregressive structure mimicked the causal relationship between condition, action and crash outcome and the probability density functions are used to calculate the conditional action probability, crash probability and conditional crash probability. The predicted sequence is accurate and the estimated probability is reasonable under both traffic conflict context and normal interaction context and the conditional crash probability shows the effectiveness of evasive action to avoid crashes in a counterfactual experiment.
• Abstract（参考訳）: サロゲート安全対策は、迅速かつ積極的な安全分析を提供し、近距離ミスを研究することで、クラッシュ前のプロセスとクラッシュ失敗メカニズムに関する洞察を与えることができる。 しかし, 衝突事故と接続することで安全対策を検証することは, 未解決の問題である。 本稿では,確率時系列予測を用いた事故確率に対するサロゲート安全対策の接続手法を提案する。 本手法は, 変圧器マスキング自己回帰流(transformer-maf)の確率密度関数を推定するために, 速度, 加速度, 時間-衝突のシーケンスを用いた。 条件, 動作, クラッシュ結果の因果関係を模倣した自己回帰構造と, 確率密度関数を用いて, 条件行動確率, クラッシュ確率および条件クラッシュ確率を算出する。 予測シーケンスは正確であり,交通競合状況と正常な相互作用状況の両方において推定確率が妥当であり,条件付きクラッシュ確率は,事故防止のための回避行動の有効性を示す。

関連論文リスト

• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• A Probabilistic Framework for Estimating the Risk of Pedestrian-Vehicle Conflicts at Intersections [5.8366275205801985]
  本研究では,交差点における歩行者と車両の衝突リスクを推定するための確率的枠組みを提案する。 提案フレームワークは,ガウスプロセス回帰を用いた軌道予測により,一定速度の制約を緩和する。 交差点で収集した実世界のLiDARデータを用いて,提案フレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2022-07-28T15:08:41Z)
• Prediction-Based Reachability Analysis for Collision Risk Assessment on Highways [18.18842948832662]
  本稿では,高速道路における衝突危険度予測手法を提案する。 我々は,車両状態を伝搬する多モード確率加速度分布を提供する加速度予測モデルを開発した。 提案した衝突検出アプローチはアジャイルであり、カットインクラッシュイベントにおける衝突の特定に有効である。
  論文  参考訳（メタデータ） (2022-05-03T07:58:02Z)
• Fail-Safe Adversarial Generative Imitation Learning [9.594432031144716]
  本稿では, 安全な生成連続ポリシー, エンドツーエンドの生成逆トレーニング, 最悪の場合の安全性保証を, クローズドフォームの確率密度/勾配で実現する安全層を提案する。 安全層は、すべてのアクションを安全なアクションの集合にマッピングし、変量式と密度の測定値の加算率を使用する。 実世界のドライバーのインタラクションデータに関する実験では,提案手法のトラクタビリティ,安全性,模倣性能を実証的に実証した。
  論文  参考訳（メタデータ） (2022-03-03T13:03:06Z)
• ProBF: Learning Probabilistic Safety Certificates with Barrier Functions [31.203344483485843]
  制御バリア関数は、地平系力学にアクセスできれば安全を保証できる便利なツールである。 実際には、システムダイナミクスに関する不正確な知識があるため、安全でない振る舞いにつながる可能性があります。 本手法の有効性をSegwayとQuadrotorのシミュレーション実験により示す。
  論文  参考訳（メタデータ） (2021-12-22T20:18:18Z)
• Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty [1.3535770763481902]
  本稿では,ガウス分布運動下での衝突確率の計算手法を提案する。 衝突条件は楕円体間の距離として定式化される。 オンラインプランニングにおいて、より高速に計算できる、厳密な上限を提供します。
  論文  参考訳（メタデータ） (2021-10-12T20:45:18Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。