論文の概要: Multimodal Crash Likelihood Prediction: A Complexity-Infused Approach Integrating Semantic, Contextual, and Driving Features

• arxiv url: http://arxiv.org/abs/2411.17886v1
• Date: Tue, 26 Nov 2024 21:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:27:49.595525
• Title: Multimodal Crash Likelihood Prediction: A Complexity-Infused Approach Integrating Semantic, Contextual, and Driving Features
• Title（参考訳）: マルチモーダル衝突予測:意味的・文脈的・駆動的特徴を統合した複雑融合アプローチ
• Authors: Meng Wang, Zach Noonan, Pnina Gershon, Shannon C. Roberts,
• Abstract要約: 本稿では,道路の複雑化機能と衝突予測機能を統合した2段階のフレームワークを提案する。 最初の段階では、エンコーダがこれらの特徴から隠れたコンテキスト情報を抽出し、複雑さを注入した特徴を生成する。 第2段階では、原型と複雑性に富んだ両方の特徴を用いて衝突確率を予測し、精度は87.98%に達した。
• 参考スコア（独自算出の注目度）: 8.812592369599622
• License:
• Abstract: Predicting crash likelihood in complex driving environments is essential for improving traffic safety and advancing autonomous driving. Previous studies have used statistical models and deep learning to predict crashes based on semantic, contextual, or driving features, but none have examined the combined influence of these factors, termed roadway complexity in this study. This paper introduces a two-stage framework that integrates roadway complexity features for crash prediction. In the first stage, an encoder extracts hidden contextual information from these features, generating complexity-infused features. The second stage uses both original and complexity-infused features to predict crash likelihood, achieving an accuracy of 87.98% with original features alone and 90.15% with the added complexity-infused features. Ablation studies confirm that a combination of semantic, driving, and contextual features yields the best results, which emphasize their role in capturing roadway complexity. Additionally, complexity index annotations generated by Large Language Models outperform those by Amazon Mechanical Turk, highlighting the potential of automated tools for accurate, scalable crash prediction systems.
• Abstract（参考訳）: 複雑な運転環境における事故確率の予測は、交通安全の改善と自動運転の推進に不可欠である。 従来の研究では、意味、文脈、運転の特徴に基づく衝突を予測するために統計モデルやディープラーニングが用いられてきたが、この研究では道路の複雑さと呼ばれるこれらの要因の複合的な影響について検討することはなかった。 本稿では,道路の複雑化機能と衝突予測機能を統合した2段階のフレームワークを提案する。 最初の段階では、エンコーダがこれらの特徴から隠れたコンテキスト情報を抽出し、複雑さを注入した特徴を生成する。 第2段階では、オリジナルの特徴と複雑性を注入した特徴の両方を用いてクラッシュ確率を予測し、元の特徴だけで87.98%、さらに複雑さを注入した特徴を90.15%の精度で達成した。 アブレーション研究は、セマンティック、ドライビング、文脈的特徴の組み合わせが最良の結果をもたらすことを確認し、道路の複雑さを捉える上での彼らの役割を強調した。 さらに、Large Language Modelsによって生成された複雑性インデックスアノテーションは、Amazon Mechanical Turkよりも優れており、正確でスケーラブルなクラッシュ予測システムのための自動化ツールの可能性を強調している。

関連論文リスト

• Hypergraph-based Motion Generation with Multi-modal Interaction Relational Reasoning [13.294396870431399]
  現実世界の運転環境は、車両間の動的かつ多様な相互作用によって特徴づけられる。 本研究では,自律走行車(AV)の運動予測のための統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:30:38Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• 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)
• inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data [1.03590082373586]
  InTersection-Transformer(inTformer)を提案する。これは、リアルタイムに交差点衝突確率を効果的に予測できる時間組込みアテンションベースのトランスフォーマーモデルである。 提案手法は,Signal Analytics Platformから抽出したコネクテッドカーデータを用いて評価した。 InTformerの最適モデルである"within-intersection"と"approach"ゾーンは、それぞれ73%、70%の感度を実現した。
  論文  参考訳（メタデータ） (2023-07-07T22:00:31Z)
• Safety-Enhanced Autonomous Driving Using Interpretable Sensor Fusion Transformer [28.15612357340141]
  我々は、InterFuser(Interpretable Sensor Fusion Transformer)という安全強化型自律走行フレームワークを提案する。 我々は、総合的なシーン理解と対向事象検出を実現するために、マルチモーダル・マルチビューセンサーからの情報を処理し、融合する。 私たちのフレームワークは、よりセマンティクスを提供し、安全なセット内のアクションをよりよく制約するために利用されます。
  論文  参考訳（メタデータ） (2022-07-28T11:36:21Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• 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)
• Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
  交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。 現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。 本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T20:21:48Z)

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。