論文の概要: AccidentGPT: Accident Analysis and Prevention from V2X Environmental
Perception with Multi-modal Large Model
- arxiv url: http://arxiv.org/abs/2312.13156v2
- Date: Thu, 28 Dec 2023 15:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 21:11:50.197011
- Title: AccidentGPT: Accident Analysis and Prevention from V2X Environmental
Perception with Multi-modal Large Model
- Title(参考訳): 事故GPT:マルチモーダル大モデルによるV2X環境認識の事故解析と防止
- Authors: Lening Wang, Han Jiang, Pinlong Cai, Daocheng Fu, Tianqi Wang, Zhiyong
Cui, Yilong Ren, Haiyang Yu, Xuesong Wang, Hanchu Zhou, Helai Huang, Yinhai
Wang
- Abstract要約: AccidentGPTは総合的な事故解析とマルチモーダル大模型の予防である。
自律走行車では、車両を制御し衝突を避けるための総合的な環境認識と理解を提供する。
人間の運転する車には、プロアクティブな長距離安全警告と盲点警告を提供します。
我々のフレームワークは、歩行者、車両、道路、環境を含む交通安全のインテリジェントでリアルタイムな分析を支援する。
- 参考スコア(独自算出の注目度): 32.14950866838055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic accidents, being a significant contributor to both human casualties
and property damage, have long been a focal point of research for many scholars
in the field of traffic safety. However, previous studies, whether focusing on
static environmental assessments or dynamic driving analyses, as well as
pre-accident predictions or post-accident rule analyses, have typically been
conducted in isolation. There has been a lack of an effective framework for
developing a comprehensive understanding and application of traffic safety. To
address this gap, this paper introduces AccidentGPT, a comprehensive accident
analysis and prevention multi-modal large model. AccidentGPT establishes a
multi-modal information interaction framework grounded in multi-sensor
perception, thereby enabling a holistic approach to accident analysis and
prevention in the field of traffic safety. Specifically, our capabilities can
be categorized as follows: for autonomous driving vehicles, we provide
comprehensive environmental perception and understanding to control the vehicle
and avoid collisions. For human-driven vehicles, we offer proactive long-range
safety warnings and blind-spot alerts while also providing safety driving
recommendations and behavioral norms through human-machine dialogue and
interaction. Additionally, for traffic police and management agencies, our
framework supports intelligent and real-time analysis of traffic safety,
encompassing pedestrian, vehicles, roads, and the environment through
collaborative perception from multiple vehicles and road testing devices. The
system is also capable of providing a thorough analysis of accident causes and
liability after vehicle collisions. Our framework stands as the first large
model to integrate comprehensive scene understanding into traffic safety
studies. Project page: https://accidentgpt.github.io
- Abstract(参考訳): 交通事故は、人的被害と財産の被害の両方に重要な貢献をするものであり、交通安全の分野で多くの研究者が研究の焦点となっている。
しかし、従来の研究では、静的環境アセスメントや動的運転分析、事故前予測や事故後ルール分析に焦点をあてた研究は、通常は孤立して行われている。
交通安全の包括的な理解と応用を開発するための効果的な枠組みが欠如している。
このギャップに対処するために,本研究では,総合的な事故解析とマルチモーダル大モデルであるAccidentGPTを紹介する。
事故GPTは,交通安全分野における事故解析と防止に対する総合的なアプローチを可能にする,マルチセンサ認識に基づくマルチモーダル情報インタラクションフレームワークを確立する。
具体的には, 自律走行車では, 総合的な環境認識と, 車両の制御と衝突回避のための理解を提供する。
人間の運転する車両では、プロアクティブな長距離安全警告と盲点警報を提供すると同時に、人間と機械の対話と対話を通じて安全運転の推奨と行動規範を提供する。
さらに,交通警察や交通管理機関では,歩行者,車両,道路,環境などを含む交通安全のインテリジェントかつリアルタイムな分析を,複数の車両や道路試験装置からの協調的な認識を通じて支援している。
このシステムはまた、車両衝突後の事故原因と責任を徹底的に分析することができる。
我々のフレームワークは交通安全研究に総合的なシーン理解を統合する最初の大規模モデルである。
プロジェクトページ: https://accidentgpt.github.io
関連論文リスト
- Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。
5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
論文 参考訳(メタデータ) (2024-04-22T18:45:40Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - Using Visual and Vehicular Sensors for Driver Behavior Analysis: A
Survey [0.0]
危険ドライバーは米国での死亡事故の70%を占めている。
本稿では,視覚・車体データを用いた運転者の行動分析手法について検討する。
論文 参考訳(メタデータ) (2023-08-25T14:33:59Z) - Rethinking Integration of Prediction and Planning in Deep Learning-Based
Automated Driving Systems: A Review [62.997667081978825]
最近の研究は、安全で効率的で快適な運転を実現するためには、相互依存のジョイントステップにおける予測と計画の統合が必要であることを示唆している。
我々は、最先端のディープラーニングベースの予測、計画、統合予測と計画モデルについて体系的にレビューする。
論文 参考訳(メタデータ) (2023-08-10T17:53:03Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳(メタデータ) (2023-08-02T09:48:08Z) - AI on the Road: A Comprehensive Analysis of Traffic Accidents and
Accident Detection System in Smart Cities [0.0]
本稿では,米国各地における交通事故の包括的分析について述べる。
事故検出と交通分析の課題に対処するために,交通監視カメラと行動認識システムを用いたフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-22T17:08:13Z) - 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) - 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) - Network-level Safety Metrics for Overall Traffic Safety Assessment: A
Case Study [7.8191100993403495]
本稿では,道路インフラストラクチャセンサによる画像の処理による交通流の安全性評価のための,ネットワークレベルの新しい安全性指標について述べる。
安全性指標とクラッシュデータの統合解析により,代表的なネットワークレベルの安全性指標とクラッシュ頻度との洞察力のある時間的および空間的相関が明らかになった。
論文 参考訳(メタデータ) (2022-01-27T19:07:08Z) - 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) - Analyzing vehicle pedestrian interactions combining data cube structure
and predictive collision risk estimation model [5.73658856166614]
本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。
本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
論文 参考訳(メタデータ) (2021-07-26T23:00:56Z)
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。