論文の概要: Advances and Applications of Computer Vision Techniques in Vehicle
Trajectory Generation and Surrogate Traffic Safety Indicators
- arxiv url: http://arxiv.org/abs/2303.15231v2
- Date: Thu, 29 Jun 2023 16:02:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 16:43:45.961697
- Title: Advances and Applications of Computer Vision Techniques in Vehicle
Trajectory Generation and Surrogate Traffic Safety Indicators
- Title（参考訳）: 自動車軌道生成・サロゲート交通安全指標におけるコンピュータビジョン技術の進歩と応用
- Authors: Mohamed Abdel-Aty, Zijin Wang, Ou Zheng, Amr Abdelraouf
- Abstract要約: 本稿では、サロゲート安全対策(SSM)を用いた交通安全モデリングにおけるコンピュータビジョン(CV)技術の適用について概観する。
車両の検知と追跡に使用されるCVアルゴリズムについて,最先端モデルへの早期アプローチについて要約する。
車両軌道データに対するSSMの検討と交通安全解析への応用について述べる。
- 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: The application of Computer Vision (CV) techniques massively stimulates
microscopic traffic safety analysis from the perspective of traffic conflicts
and near misses, which is usually measured using Surrogate Safety Measures
(SSM). However, as video processing and traffic safety modeling are two
separate research domains and few research have focused on systematically
bridging the gap between them, it is necessary to provide transportation
researchers and practitioners with corresponding guidance. With this aim in
mind, this paper focuses on reviewing the applications of CV techniques in
traffic safety modeling using SSM and suggesting the best way forward. The CV
algorithm that are used for vehicle detection and tracking from early
approaches to the state-of-the-art models are summarized at a high level. Then,
the video pre-processing and post-processing techniques for vehicle trajectory
extraction are introduced. A detailed review of SSMs for vehicle trajectory
data along with their application on traffic safety analysis is presented.
Finally, practical issues in traffic video processing and SSM-based safety
analysis are discussed, and the available or potential solutions are provided.
This review is expected to assist transportation researchers and engineers with
the selection of suitable CV techniques for video processing, and the usage of
SSMs for various traffic safety research objectives.
- Abstract（参考訳）: コンピュータビジョン (cv) 技術の適用は, 交通衝突や近距離ミスの観点からの微視的交通安全分析を大規模に促進する。
しかし,映像処理と交通安全モデリングは2つの異なる研究領域であり,両者のギャップを体系的に埋めることに重点を置いている研究は少ないため,交通研究者や実践者に対応するガイダンスを提供する必要がある。
本研究の目的は,SSMを用いた交通安全モデリングにおけるCV技術の適用の見直しと,今後の最善策を提案することである。
車両の検知と追跡に使用されるCVアルゴリズムを,最先端モデルへの早期アプローチとして高レベルに要約する。
そして、車両軌道抽出のためのビデオ前処理および後処理技術を導入する。
車両軌道データに対するSSMの詳細な検討と交通安全解析への応用について述べる。
最後に、トラヒックビデオ処理とSSMに基づく安全分析の実践的課題について論じ、利用可能な、あるいは潜在的なソリューションについて述べる。
本レビューは, 交通研究者や技術者がビデオ処理に適したcv技術の選択や, 各種交通安全研究目的のssmの利用を支援することを目的としている。
関連論文リスト
- Vulnerable Road User Detection and Safety Enhancement: A Comprehensive Survey [0.707675463650964]
脆弱な道路利用者(VRU)を含む交通事故は、世界的な道路事故のかなりの割合を占める。
高度な信号処理と機械学習技術を組み合わせた交通通信エコシステムの進歩は、多様なセンサーからのデータの活用を促進している。
本稿では,VRUの安全性を高めるための最先端技術と方法論を包括的に調査する。
論文 参考訳（メタデータ） (2024-05-29T15:42:10Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Traffic-Domain Video Question Answering with Automatic Captioning [69.98381847388553]
Video Question Answering (VidQA) は、高度な機械推論機能を促進する重要な可能性を示している。
本稿では,交通領域の知識を大規模ビデオ言語モデルに注入する弱スーパービジョン手法として,交通領域ビデオ質問回答と自動キャプション(TRIVIA)を提案する。
論文 参考訳（メタデータ） (2023-07-18T20:56:41Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳（メタデータ） (2023-07-05T21:38:36Z) - A Survey of Federated Learning for Connected and Automated Vehicles [2.348805691644086]
コネクテッド・アンド・オートマチック・ビークルズ(CAV)は、自動車分野における新興技術の1つである。
フェデレートラーニング(FL)は、複数の車両との協調モデル開発を可能にするCAVの効果的なソリューションである。
論文 参考訳（メタデータ） (2023-03-19T14:44:37Z) - 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) - 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) - Recent Advances in Embedding Methods for Multi-Object Tracking: A Survey [71.10448142010422]
マルチオブジェクトトラッキング(MOT)は、動画フレーム全体で対象物を関連付け、移動軌道全体を取得することを目的としている。
埋め込み法はMOTにおける物体の位置推定と時間的同一性関連において重要な役割を担っている。
まず 7 つの異なる視点からMOT への埋め込み手法の奥行き解析による包括的概要を述べる。
論文 参考訳（メタデータ） (2022-05-22T06:54:33Z) - Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review [4.228522109021283]
本稿では,トラヒックビデオの理解と解釈に使用できる,典型的な処理パイプラインを提案する。
この処理フレームワークは、ビデオ強調、ビデオ安定化、セマンティックおよびインシデントセグメンテーション、オブジェクト検出と分類、軌道抽出、速度推定、イベント分析、モデリング、異常検出を含む。
論文 参考訳（メタデータ） (2022-03-07T17:21:07Z) - Using UAVs for vehicle tracking and collision risk assessment at
intersections [2.090380922731455]
本研究は、道路利用者の移動を追跡し、交差点での衝突の可能性を評価するために、UAVとV2X接続の適用を実証する。
提案手法は,ディープラーニングに基づくトラッキングアルゴリズムと時間対衝突タスクを組み合わせたものである。
論文 参考訳（メタデータ） (2021-10-11T19:38:24Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z)
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。