論文の概要: Investigating Robotaxi Crash Severity Using Geographical Random Forest

• arxiv url: http://arxiv.org/abs/2505.06762v1
• Date: Sat, 10 May 2025 21:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.031111
• Title: Investigating Robotaxi Crash Severity Using Geographical Random Forest
• Title（参考訳）: 地理ランダムフォレストを用いたロボタクシー事故の深刻度調査
• Authors: Junfeng Jiao, Seung Gyu Baik, Seung Jun Choi, Yiming Xu,
• Abstract要約: 本稿では,都市建設環境の局所的な機械学習とマクロ測度を用いて,自律走行車(AV)の衝突重大度を定量的に検討する。 我々の地理ランダムフォレスト(GRF)モデルは、サンフランシスコの衝突重大度リスクマップとともに、AVやロボットタクシーの商業運用に有用な3つの発見を提示する。
• 参考スコア（独自算出の注目度）: 5.023563968303034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper quantitatively investigates the crash severity of Autonomous Vehicles (AVs) with spatially localized machine learning and macroscopic measures of the urban built environment. We address spatial heterogeneity and spatial autocorrelation, while focusing on land use patterns and human behavior. Our Geographical Random Forest (GRF) model, accompanied with a crash severity risk map of San Francisco, presents three findings that are useful for commercial operations of AVs and robotaxis. First, spatially localized machine learning performed better than regular machine learning, when predicting AV crash severity. Bias-variance tradeoff was evident as we adjust the localization weight hyperparameter. Second, land use was the most important built environment measure, compared to intersections, building footprints, public transit stops, and Points Of Interests (POIs). Third, it was predicted that city center areas with greater diversity and commercial activities were more likely to result in low-severity AV crashes, than residential neighborhoods. Residential land use may be associated with higher severity due to human behavior and less restrictive environment. This paper recommends to explicitly consider geographic locations, and to design safety measures specific to residential neighborhoods, when robotaxi operators train their AV systems.
• Abstract（参考訳）: 本稿では,都市建設環境の局所的な機械学習とマクロ測度を用いて,自律走行車(AV)の衝突重大度を定量的に検討する。 本研究では,土地利用パターンと人間の行動に着目しながら,空間的不均一性と空間的自己相関に対処する。 我々の地理ランダムフォレスト(GRF)モデルは、サンフランシスコの衝突重大度リスクマップとともに、AVやロボットタクシーの商業運用に有用な3つの発見を提示する。 第一に、空間的に局所化された機械学習は、AVクラッシュの重大度を予測する際に、通常の機械学習よりも優れていた。 局所化重量ハイパーパラメータの調整によりバイアス分散トレードオフが明らかとなった。 第二に、土地利用は交差点、建築用フットプリント、公共交通機関の停留所、および利益のポイント(POI)と比較して最も重要な建設環境であった。 第三に、多様性と商業活動の大きい都市中心地域は住宅地よりも、低重度なAV事故に繋がる可能性が高いと予測された。 住宅の土地利用は、人間の行動や制約の少ない環境によって、より深刻度の高い土地利用と結びついている可能性がある。 本稿では,ロボタクシー事業者がAVシステムの訓練を行う際に,地理的な位置を明示的に検討し,住宅地特有の安全対策を設計することを推奨する。

関連論文リスト

• Spatially-Heterogeneous Causal Bayesian Networks for Seismic Multi-Hazard Estimation: A Variational Approach with Gaussian Processes and Normalizing Flows [4.522511094629472]
  地震後の危険度と影響推定は、効果的な災害対応に不可欠である。 伝統的なモデルは、地理的文脈に関係なく固定パラメータを使用し、地震の影響が様々な風景でどのように異なるかを示す。 本研究では,これらの課題を,空間的に認識された因果関係と位置特化パラメータとの因果関係をモデル化することにより,共位置ハザードを分離する因果ネットワークを用いて解決する。
  論文  参考訳（メタデータ） (2025-04-05T01:34:43Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Dwelling Type Classification for Disaster Risk Assessment Using Satellite Imagery [3.88838725116957]
  周辺地域の危険度とリスク評価は, 災害対策に不可欠である。 既存のシステムは、時間と費用のかかるフィールドサーベイに依存するため、警告を解読し、超局所的なレベルでリスクの正確な範囲を評価するスケーラブルな方法を提供していない。 この研究において、機械学習は住居とそのタイプを特定するプロセスを自動化するために使用され、潜在的に効果的な災害脆弱性評価システムを構築した。
  論文  参考訳（メタデータ） (2022-11-16T03:08:15Z)
• Visual-based Safe Landing for UAVs in Populated Areas: Real-time Validation in Virtual Environments [0.0]
  本稿では,実環境における視覚に基づく自律着陸の安全性と徹底的な評価のためのフレームワークを提案する。 本研究では,UnrealグラフィックスエンジンとAirSimプラグインを併用したドローンシミュレーションを提案する。 ベスト」SLZを選択するための2つの異なる基準について検討し、異なるシナリオで仮想ドローンの自律着陸時に評価する。
  論文  参考訳（メタデータ） (2022-03-25T17:22:24Z)
• HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data [17.345649325770957]
  交通事故予測は交通管理と公共安全にとって重要な問題である。 交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。 近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
  論文  参考訳（メタデータ） (2022-03-07T02:11:04Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• A Comparison of Statistical and Machine Learning Algorithms for Predicting Rents in the San Francisco Bay Area [0.0]
  本稿では,予測精度を重要視するユースケースについて述べるとともに,ランダムな森林回帰を複数の回帰と比較する。 我々は、ほぼ局所的なアクセシビリティ変数を用いて、両方のモデルから有用な予測を得られることを発見した。
  論文  参考訳（メタデータ） (2020-11-26T08:50:45Z)

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。