論文の概要: Continuous Risk Measures for Driving Support

• arxiv url: http://arxiv.org/abs/2303.08007v1
• Date: Tue, 14 Mar 2023 15:54:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 14:25:44.773724
• Title: Continuous Risk Measures for Driving Support
• Title（参考訳）: 運転支援のための持続的リスク対策
• Authors: Julian Eggert and Tim Puphal
• Abstract要約: モデルに基づくリスク尺度を3つ比較し,そのステンジスを評価し,定量的に定性的に検証した。 我々は,スパース臨界事象といわゆる生存条件の統計に基づいて,新たなリスク尺度を導出する。 その結果、サバイバル分析により、その固い理論的根拠によって支持される近クレーシュおよび非クレーシュのケースにおいて、早期発見時のクラッシュと偽陽性検出の少ないことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we compare three different model-based risk measures by evaluating their stengths and weaknesses qualitatively and testing them quantitatively on a set of real longitudinal and intersection scenarios. We start with the traditional heuristic Time-To-Collision (TTC), which we extend towards 2D operation and non-crash cases to retrieve the Time-To-Closest-Encounter (TTCE). The second risk measure models position uncertainty with a Gaussian distribution and uses spatial occupancy probabilities for collision risks. We then derive a novel risk measure based on the statistics of sparse critical events and so-called survival conditions. The resulting survival analysis shows to have an earlier detection time of crashes and less false positive detections in near-crash and non-crash cases supported by its solid theoretical grounding. It can be seen as a generalization of TTCE and the Gaussian method which is suitable for the validation of ADAS and AD.
• Abstract（参考訳）: 本稿では,モデルの安定性と弱点を質的に評価し,実際の縦断・横断のシナリオで定量的に検証することにより,モデルに基づく3つのリスク尺度を比較した。 まず2D操作と非クラッシュケースに拡張して,TTCE(Time-To-Closest-Encounter)を検索する,従来のヒューリスティックなTime-To-Collision(TTC)から始める。 第2のリスク測度はガウス分布による位置の不確かさをモデル化し、衝突リスクに空間占有確率を用いる。 そこで我々は,スパース臨界事象といわゆる生存条件の統計に基づいて,新たなリスク尺度を導出する。 得られた生存分析は、衝突の早期検出時間と、その固い理論的根拠によって支持される近クラッシュおよび非クラッシュのケースにおける偽陽性検出の少ないことを示す。 TTCEの一般化とADASとADの検証に適したガウス法と見ることができる。

関連論文リスト

• Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
  SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。 優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
  論文  参考訳（メタデータ） (2024-10-22T07:33:34Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Probabilistic Uncertainty-Aware Risk Spot Detector for Naturalistic Driving [1.8047694351309207]
  リスクアセスメントは自動運転車の開発と検証の中心的な要素である。 Time Headway (TH) と Time-To-Contact (TTC) は一般的にリスクメトリクスとして使われ、発生確率と質的な関係を持つ。 本稿では,生存分析に基づく確率論的状況リスクモデルを提案し,それを自然に知覚・時間的・行動的不確実性に組み込むよう拡張する。
  論文  参考訳（メタデータ） (2023-03-13T15:22:51Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Two steps to risk sensitivity [4.974890682815778]
  条件付きバリュー・アット・リスク(CVaR)は、人間と動物の計画のモデル化のためのリスク尺度である。 CVaRに対する従来の分布的アプローチを逐次的に導入し、人間の意思決定者の選択を再分析する。 次に,リスク感度,すなわち時間的整合性,さらに重要な特性について考察し,CVaRの代替案を示す。
  論文  参考訳（メタデータ） (2021-11-12T16:27:47Z)
• Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures [19.247932561037487]
  本稿では,自動運転車の軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 我々は不確実な位置のモーメントの正確な時間進化を管理する決定論的線形力学系を構築する。
  論文  参考訳（メタデータ） (2021-09-21T05:55:39Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)
• Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks [14.928328404160299]
  本稿では,検閲データを用いた時系列予測問題において,相対リスクを推定するための新しいアプローチについて述べる。 我々のアプローチは、基礎となる生存分布の一定の比例的ハザードの強い仮定を必要としない。 これは検閲の有無で競合するリスクを伴う生存時間を完全にパラメトリックに推定する最初の作品である。
  論文  参考訳（メタデータ） (2020-03-02T20:21:59Z)

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。