論文の概要: Vehicle-group-based Crash Risk Prediction and Interpretation on Highways

• arxiv url: http://arxiv.org/abs/2402.12415v2
• Date: Mon, 27 Jan 2025 01:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:52:57.098047
• Title: Vehicle-group-based Crash Risk Prediction and Interpretation on Highways
• Title（参考訳）: 自動車グループによる高速道路事故リスク予測と解釈
• Authors: Tianheng Zhu, Ling Wang, Yiheng Feng, Wanjing Ma, Mohamed Abdel-Aty,
• Abstract要約: 本研究では,新しい車両群に基づくリスク分析手法について検討し,VGの特徴を考慮したリスク進化機構について検討する。 衝突型車両群をVGに分類する手法を提案し, 付近の車両の異常行動に対する応答を評価した。 次に、ロジスティック回帰とグラフニューラルネットワーク(GNN)を使用して、集約および非集約されたVG情報を使用して、VGリスクを予測する。
• 参考スコア（独自算出の注目度）: 8.703173025279431
• License:
• Abstract: Previous studies in predicting crash risks primarily associated the number or likelihood of crashes on a road segment with traffic parameters or geometric characteristics, usually neglecting the impact of vehicles' continuous movement and interactions with nearby vehicles. Recent technology advances, such as Connected and Automated Vehicles (CAVs) and Unmanned Aerial Vehicles (UAVs) are able to collect high-resolution trajectory data, which enables trajectory-based risk analysis. This study investigates a new vehicle group (VG) based risk analysis method and explores risk evolution mechanisms considering VG features. An impact-based vehicle grouping method is proposed to cluster vehicles into VGs by evaluating their responses to the erratic behaviors of nearby vehicles. The risk of a VG is aggregated based on the risk between each vehicle pair in the VG, measured by inverse Time-to-Collision (iTTC). A Logistic Regression and a Graph Neural Network (GNN) are then employed to predict VG risks using aggregated and disaggregated VG information. Both methods achieve excellent performance with AUC values exceeding 0.93. For the GNN model, GNNExplainer with feature perturbation is applied to identify critical individual vehicle features and their directional impact on VG risks. Overall, this research contributes a new perspective for identifying, predicting, and interpreting traffic risks.
• Abstract（参考訳）: 衝突リスクの予測に関する以前の研究は、主に交通パラメータや幾何学的特徴を持つ道路セグメントの衝突の回数や可能性に関係しており、通常は車両の連続的な動きや近くの車両との相互作用の影響を無視している。 コネクテッド・アンド・オートマチック・ビークル(CAV)や無人航空機(UAV)といった最近の技術進歩は、高解像度の軌道データを収集し、軌道に基づくリスク分析を可能にする。 本研究では,新しい車両群(VG)に基づくリスク分析手法について検討し,VGの特徴を考慮したリスク進化機構について検討する。 衝突型車両群をVGに分類する手法を提案し, 付近の車両の異常行動に対する応答を評価した。 VGのリスクは、逆時間対衝突(iTTC)によって測定されたVG内の各車両ペア間のリスクに基づいて集計される。 次に、ロジスティック回帰とグラフニューラルネットワーク(GNN)を使用して、集約および非集約されたVG情報を使用して、VGリスクを予測する。 どちらの手法もAUC値0.93を超える優れた性能を達成している。 GNNモデルでは、特徴摂動を伴うGNNExplainerを適用して、重要な個々の車両の特徴とVGリスクに対する方向性の影響を特定する。 全体として、この研究は交通リスクを特定し、予測し、解釈するための新しい視点に寄与する。

関連論文リスト

• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• Automated Vehicles at Unsignalized Intersections: Safety and Efficiency Implications of Mixed-Human-Automated Traffic [6.9492069439607995]
  自動車両(AV)の交通システムへの統合は、道路の安全性と効率を高める前例のない機会である。 本研究では,無人交差点におけるAVと人間駆動車(HV)の行動差と適応性を調べることにより,ギャップを埋めることを目的とする。 AVはより大きな安全マージンを維持しているが、その保守的な行動は、人間のドライバーにとって予期せぬ状況を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2024-10-16T13:19:32Z)
• Mitigating Vulnerable Road Users Occlusion Risk Via Collective Perception: An Empirical Analysis [0.0]
  本稿では,車とVRUの両方のダイナミクスに基づいて,閉塞リスクを定量化するアルゴリズムを提案する。 本研究は,VRUの安全性における集団知覚サービス(CPS)の役割について検討する。
  論文  参考訳（メタデータ） (2024-04-11T13:54:15Z)
• Risk-anticipatory autonomous driving strategies considering vehicles' weights, based on hierarchical deep reinforcement learning [12.014977175887767]
  本研究では,周囲の車両の重量を考慮し,リスク予測に基づく自律運転戦略を開発する。 リスクフィールド理論に基づいて、周囲の車両重量を統合するリスクインジケータを提案し、自律運転決定に組み込んだ。 衝突時の潜在的な衝突エネルギーを示す指標を新たに提案し, AV駆動方式の性能評価を行った。
  論文  参考訳（メタデータ） (2023-12-27T06:03:34Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• 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)
• RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework based on Driving Risk Potential Field [1.625213292350038]
  本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。 既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。 実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
  論文  参考訳（メタデータ） (2023-05-04T01:54:37Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• 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)

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。