論文の概要: Understanding driver-pedestrian interactions to predict driver yielding:
naturalistic open-source dataset collected in Minnesota
- arxiv url: http://arxiv.org/abs/2312.15113v1
- Date: Fri, 22 Dec 2023 23:18:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 19:51:35.646581
- Title: Understanding driver-pedestrian interactions to predict driver yielding:
naturalistic open-source dataset collected in Minnesota
- Title（参考訳）: ドライバーと歩行者の相互作用を理解してドライバーの利得を予測する:ミネソタ州で収集された自然主義的オープンソースデータセット
- Authors: Tianyi Li, Joshua Klavins, Te Xu, Niaz Mahmud Zafri, Raphael Stern
- Abstract要約: 多くの要因が、交通量、車両速度、道路特性など、ドライバーと歩行者の相互作用の結果に影響を与える。
本研究ではミネソタ州を横断する18の無署名の交差点でビデオデータから収集された大規模なオープンソースデータセットを紹介する。
3000以上のインタラクションをドキュメント化したこのデータセットは、ドライバと歩行者のインタラクションと、50以上の異なるコンテキスト変数の詳細なビューを提供する。
- 参考スコア（独自算出の注目度）: 1.9107531049787958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many factors influence the yielding result of a driver-pedestrian
interaction, including traffic volume, vehicle speed, roadway characteristics,
etc. While individual aspects of these interactions have been explored,
comprehensive, naturalistic studies, particularly those considering the built
environment's influence on driver-yielding behavior, are lacking. To address
this gap, our study introduces an extensive open-source dataset, compiled from
video data at 18 unsignalized intersections across Minnesota. Documenting more
than 3000 interactions, this dataset provides a detailed view of
driver-pedestrian interactions and over 50 distinct contextual variables. The
data, which covers individual driver-pedestrian interactions and contextual
factors, is made publicly available at
https://github.com/tianyi17/pedestrian_yielding_data_MN.
Using logistic regression, we developed a classification model that predicts
driver yielding based on the identified variables. Our analysis indicates that
vehicle speed, the presence of parking lots, proximity to parks or schools, and
the width of major road crossings significantly influence driver yielding at
unsignalized intersections. This study contributes to one of the most
comprehensive driver-pedestrian datasets in the US, offering valuable insights
for traffic safety improvements. By making this information available, our
study will support communities across Minnesota and the United States in their
ongoing efforts to improve road safety for pedestrians.
- Abstract（参考訳）: 交通量、車両速度、道路特性など、ドライバーとペデストリアンの相互作用の成果に影響を与える多くの要因がある。
これらの相互作用の個々の側面は研究されているが、特に建設環境がドライバの利得行動に与える影響を考えると、包括的で自然主義的な研究は欠落している。
このギャップに対処するために、ミネソタ州横断の18の未指定交差点でビデオデータから収集された広範なオープンソースデータセットを紹介した。
このデータセットは3000以上のインタラクションを文書化し、ドライバとペデストリアンのインタラクションと50以上の異なるコンテキスト変数の詳細なビューを提供する。
個々のドライバーと歩行者のインタラクションとコンテキスト要因をカバーするデータは、https://github.com/tianyi17/pedestrian_yielding_data_MNで公開されている。
ロジスティック回帰法を用いて,特定変数に基づいてドライバの利得を予測する分類モデルを開発した。
分析の結果,自動車の速度,駐車場の存在,公園や学校に近い距離,道路横断道路の幅は,未指定交差点での運転者収量に大きな影響を及ぼすことがわかった。
この研究は、米国で最も包括的なドライバー-ペデストリアンデータセットの1つに寄与し、交通安全改善のための貴重な洞察を提供する。
この情報を利用できるようにすることで、ミネソタ州と米国中のコミュニティが歩行者の道路安全を改善する努力を続けていることを支援します。
関連論文リスト
- DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳（メタデータ） (2023-04-20T16:31:22Z) - Cross or Wait? Predicting Pedestrian Interaction Outcomes at Unsignalized Crossings [12.800489342833275]
我々は機械学習を用いて歩行者横断決定、横断開始時間(CIT)、横断時間(CD)などの歩行者横断行動を予測する。
ロジスティック回帰ベースラインモデルと比較して,提案したニューラルネットワークモデルでは予測精度が4.46%,F1スコアが3.23%向上した。
また、線形回帰モデルと比較して、CITとCDの根平均二乗誤差(RMSE)を21.56%、30.14%削減する。
論文 参考訳（メタデータ） (2023-04-17T13:20:04Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous
Driving [42.69638782267657]
本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。
METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。
我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
論文 参考訳（メタデータ） (2021-09-16T01:01:55Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep
Generative Approach with Attention [9.442285577226606]
交差点における相互作用検出のための条件生成モデルを提案する。
道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。
モデルの有効性は実世界のデータセットでテストすることによって検証された。
論文 参考訳（メタデータ） (2021-05-09T10:03:55Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。