論文の概要: Risk assessment and mitigation of e-scooter crashes with naturalistic driving data

• arxiv url: http://arxiv.org/abs/2212.12660v1
• Date: Sat, 24 Dec 2022 05:28:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 15:35:37.211902
• Title: Risk assessment and mitigation of e-scooter crashes with naturalistic driving data
• Title（参考訳）: 自然運転データを用いた電動スクーター事故のリスク評価と軽減
• Authors: Avinash Prabu, Renran Tian, Stanley Chien, Lingxi Li, Yaobin Chen, Rini Sherony
• Abstract要約: 本稿では,e-scooterと自動車の遭遇に着目した自然主義的運転研究を提案する。 目標は、衝突シナリオのモデリングを容易にするために、異なる出会いの中でe-Scooterライダーの振る舞いを定量的に測定することである。
• 参考スコア（独自算出の注目度）: 2.862606936691229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, e-scooter-involved crashes have increased significantly but little information is available about the behaviors of on-road e-scooter riders. Most existing e-scooter crash research was based on retrospectively descriptive media reports, emergency room patient records, and crash reports. This paper presents a naturalistic driving study with a focus on e-scooter and vehicle encounters. The goal is to quantitatively measure the behaviors of e-scooter riders in different encounters to help facilitate crash scenario modeling, baseline behavior modeling, and the potential future development of in-vehicle mitigation algorithms. The data was collected using an instrumented vehicle and an e-scooter rider wearable system, respectively. A three-step data analysis process is developed. First, semi-automatic data labeling extracts e-scooter rider images and non-rider human images in similar environments to train an e-scooter-rider classifier. Then, a multi-step scene reconstruction pipeline generates vehicle and e-scooter trajectories in all encounters. The final step is to model e-scooter rider behaviors and e-scooter-vehicle encounter scenarios. A total of 500 vehicle to e-scooter interactions are analyzed. The variables pertaining to the same are also discussed in this paper.
• Abstract（参考訳）: 近年,e-scooterが関与する事故が著しく増加しているが,e-scooterライダーの挙動についてはほとんど情報がない。 既存のe-scooterのクラッシュ研究のほとんどは、振り返り的なメディアレポート、緊急治療室の患者記録、クラッシュレポートに基づいている。 本稿では,e-scooterと自動車の遭遇に着目した自然主義運転研究を提案する。 目的は、衝突シナリオのモデリング、ベースラインの行動モデリング、車内緩和アルゴリズムの将来の発展を促進するために、異なる遭遇におけるeスクーターライダーの挙動を定量的に計測することである。 データは、計器式車両と電動スクーターライダーのウェアラブルシステムを用いて収集された。 3段階のデータ解析プロセスを開発する。 まず,e-scooter-rider分類器を訓練するために,e-scooterライダーイメージと非ライダヒューマンイメージを類似環境で抽出する。 そして、多段シーン復元パイプラインは、すべての遭遇において車両及び電子スクーター軌跡を生成する。 最後のステップは、eスクーターライダーの挙動とeスクーターの衝突シナリオをモデル化することである。 合計500台の車両と電動スクーターの相互作用を分析した。 本論文では,それに関連する変数についても述べる。

関連論文リスト

• DISC: Dataset for Analyzing Driving Styles In Simulated Crashes for Mixed Autonomy [13.365522429680547]
  DISC(Driving Styles In Simulated Crashes)は、混合自律分析のための事前クラッシュシナリオで駆動スタイルをキャプチャする最初のデータセットの1つである。 DISCには、シミュレートされた車両をナビゲートする数百人のドライバーの運転スタイル/行動のクラスが8以上含まれている。 データは、12のシミュレートされた事故シナリオに遭遇する人間のドライバーに関するドライバー中心の研究を通じて収集された。
  論文  参考訳（メタデータ） (2025-01-28T15:45:25Z)
• Pedestrian Environment Model for Automated Driving [54.16257759472116]
  歩行者の位置とポーズ情報を含む環境モデルを提案する。 画像から人間のポーズ推定器を用いて骨格情報を抽出する。 位置の3D情報を得るために,車両の位置と合わせて連続するフレームからデータを集約する。
  論文  参考訳（メタデータ） (2023-08-17T16:10:58Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• 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)
• A Wearable Data Collection System for Studying Micro-Level E-Scooter Behavior in Naturalistic Road Environment [3.5466525046297264]
  本稿では,自然道路環境におけるマイクロレベルのe-Scooter動作を調査するためのウェアラブルデータ収集システムを提案する。 ロボットオペレーティングシステム(ROS)を用いたLiDAR、カメラ、GPSの統合により、e-Scooterベースのデータ取得システムを開発した。
  論文  参考訳（メタデータ） (2022-12-22T18:58:54Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• E-Scooter Rider Detection and Classification in Dense Urban Environments [5.606792370296115]
  本研究は,検出モデルの客観的評価を容易にするために,部分閉塞型E-スクータライダー検出のための新しいベンチマークを提案する。 技術の現状に対して15.93%の精度で検出性能を向上する,E-Scooterライダー検出の新規なオクルージョン対応手法を提案する。
  論文  参考訳（メタデータ） (2022-05-20T13:50:36Z)
• Detection of E-scooter Riders in Naturalistic Scenes [2.1270496914042987]
  本稿では,e-scooter ライダーと一般歩行者を区別する新しい視覚ベースシステムを提案する。 データセット上でMobileNetV2を微調整し、E-Scooterライダーと歩行者を分類するためにモデルをトレーニングします。 YOLOv3上でトレーニングされたMobileNetV2の分類精度は91%以上で、精度は0.9以上である。
  論文  参考訳（メタデータ） (2021-11-28T05:59:36Z)
• 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)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)

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。