論文の概要: Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics for Urban Transportation Management
- arxiv url: http://arxiv.org/abs/2407.15025v1
- Date: Wed, 3 Jul 2024 01:44:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-28 18:39:09.740065
- Title: Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics for Urban Transportation Management
- Title（参考訳）: デジタルツインを用いた都市交通管理のためのリスク認識型知的モビリティ分析
- Authors: Tao Li, Zilin Bian, Haozhe Lei, Fan Zuo, Ya-Ting Yang, Quanyan Zhu, Zhenning Li, Zhibin Chen, Kaan Ozbay,
- Abstract要約: 本稿では,デジタルツインをベースとしたドライバリスク認識知能モビリティ分析システムを提案する。
DT-DIMAシステムはパンティルトカメラからのリアルタイムトラフィック情報を統合する。
このシステムは、ネットワーク全体のモビリティと安全性のリスクをリアルタイムで予測する。
- 参考スコア（独自算出の注目度）: 18.015270631863665
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traditional mobility management strategies emphasize macro-level mobility oversight from traffic-sensing infrastructures, often overlooking safety risks that directly affect road users. To address this, we propose a Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics (DT-DIMA) system. The DT-DIMA system integrates real-time traffic information from pan-tilt-cameras (PTCs), synchronizes this data into a digital twin to accurately replicate the physical world, and predicts network-wide mobility and safety risks in real time. The system's innovation lies in its integration of spatial-temporal modeling, simulation, and online control modules. Tested and evaluated under normal traffic conditions and incidental situations (e.g., unexpected accidents, pre-planned work zones) in a simulated testbed in Brooklyn, New York, DT-DIMA demonstrated mean absolute percentage errors (MAPEs) ranging from 8.40% to 15.11% in estimating network-level traffic volume and MAPEs from 0.85% to 12.97% in network-level safety risk prediction. In addition, the highly accurate safety risk prediction enables PTCs to preemptively monitor road segments with high driving risks before incidents take place. Such proactive PTC surveillance creates around a 5-minute lead time in capturing traffic incidents. The DT-DIMA system enables transportation managers to understand mobility not only in terms of traffic patterns but also driver-experienced safety risks, allowing for proactive resource allocation in response to various traffic situations. To the authors' best knowledge, DT-DIMA is the first urban mobility management system that considers both mobility and safety risks based on digital twin architecture.
- Abstract（参考訳）: 従来のモビリティ管理戦略は、交通検知インフラからのマクロレベルのモビリティ監視を強調しており、道路利用者に直接影響する安全リスクを見落としていることが多い。
そこで我々は,Digital Twinをベースとしたドライバリスク認識知能モビリティ分析(DT-DIMA)システムを提案する。
DT-DIMAシステムは、パンチルトカメラ(PTC)からのリアルタイムトラフィック情報を統合し、このデータをデジタルツインに同期させ、物理的世界を正確に再現し、ネットワーク全体のモビリティと安全性のリスクをリアルタイムに予測する。
このシステムの革新は、空間時間モデリング、シミュレーション、オンライン制御モジュールの統合にある。
ニューヨーク州ブルックリンの模擬試験場において、通常の交通条件と偶発的な状況(予期せぬ事故、事前計画された作業区域など)で試験および評価され、DT-DIMAは、ネットワークレベルの交通量とMAPEを0.85%から12.97%まで推定する平均絶対パーセンテージ誤差(MAPE)を8.40%から15.11%まで示した。
さらに、高精度な安全リスク予測により、PSCは事故が起こる前に高い運転リスクを伴う道路セグメントを事前に監視することができる。
このようなプロアクティブなPTC監視は、交通事故を捉えるのに約5分間のリードタイムを生み出す。
DT-DIMAシステムでは,交通パターンだけでなく運転者の安全リスクも考慮し,交通状況に応じて積極的に資源配分を行うことができる。
著者らの知る限り、DT-DIMAはデジタルツインアーキテクチャに基づくモビリティと安全性の両方のリスクを考慮した最初の都市モビリティ管理システムである。
関連論文リスト
- Autonomous Vehicles Using Multi-Agent Reinforcement Learning for Routing Decisions Can Harm Urban Traffic [0.0]
同時経路最適化のためのマルチエージェント強化学習(MARL)を用いた自律走行車(AV)は、交通環境を不安定にする可能性がある。
標準的なMARLアルゴリズムによる実験では、自明な場合であっても、ポリシーが最適解に収束しない場合が多いことが判明した。
今後の研究は、現実的なベンチマーク、慎重なデプロイメント戦略、AVルーティングの監視と規制のためのツールを優先する必要がある。
論文 参考訳（メタデータ） (2025-02-18T13:37:02Z) - DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation [11.059102404333885]
安全クリティカルな交通シナリオは、自律運転システムの堅牢性を評価する上で、非常に実用的な関係である。
安全クリティカルなシナリオを生成する既存のアルゴリズムは、以前に記録されたトラフィックイベントのスニペットに依存している。
本稿では,静的安全クリティカルな運転シナリオをクローズループや対話型対向交通シミュレーションに拡張するDeep Motion Factorizationフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-23T11:30:24Z) - Artificial Intelligence in Traffic Systems [0.0]
この記事では、AIとトラフィック管理が交わるトピックについてレビューする。
AIによる交通信号制御システム、自動距離、速度認識などの分野で構成されている。
トラフィック管理におけるAIのメリットも様々である。
論文 参考訳（メタデータ） (2024-12-16T18:15:49Z) - 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) - Passenger hazard perception based on EEG signals for highly automated driving vehicles [23.322910031715583]
本研究は,乗用車間相互作用の神経機構を解明し,乗用車認知モデル(PCM)と乗用車脳波復号戦略(PEDS)の開発に繋がるものである。
Central to PEDSは、空間的および時間的脳波データパターンをキャプチャする新しい畳み込みリカレントニューラルネットワーク(CRNN)である。
我々の研究は、事前観測された脳波データの予測能力、危険シナリオの検出の強化、より安全な自動運転車のためのネットワーク駆動型フレームワークの提供を強調した。
論文 参考訳（メタデータ） (2024-08-29T07:32:30Z) - Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning [16.25152138605216]
本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。
TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。
ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
論文 参考訳（メタデータ） (2024-08-05T03:17:44Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z)
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。