論文の概要: Investigating Robotaxi Crash Severity with Geographical Random Forest and the Urban Environment

• arxiv url: http://arxiv.org/abs/2505.06762v2
• Date: Mon, 04 Aug 2025 04:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:56.771737
• Title: Investigating Robotaxi Crash Severity with Geographical Random Forest and the Urban Environment
• Title（参考訳）: 地形的ランダム林と都市環境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。 土地利用は、交差点、建物の足跡、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、最も重要な予測者であった。 AVの事故は、住宅地よりも多様性と商業活動の大きい都市中心部で、低重大な事故が引き起こされる可能性が高かった。
• 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. Extending beyond the microscopic effects of individual infrastructure elements, we focus on the city-scale land use and behavioral patterns, while addressing spatial heterogeneity and spatial autocorrelation. We implemented a spatially localized machine learning technique called Geographical Random Forest (GRF) on the California AV collision dataset. Analyzing multiple urban measures, including points of interest, building footprint, and land use, we built a GRF model and visualized it as a crash severity risk map of San Francisco. This paper presents three findings. First, spatially localized machine learning outperformed regular machine learning in predicting AV crash severity. The bias-variance tradeoff was evident as we adjusted the localization weight hyperparameter. Second, land use was the most important predictor, compared to intersections, building footprints, public transit stops, and Points Of Interest (POIs). Third, AV crashes were more likely to result in low-severity incidents in city center areas with greater diversity and commercial activities, than in residential neighborhoods. Residential land use is likely associated with higher severity due to human behavior and less restrictive environments. Counterintuitively, residential areas were associated with higher crash severity, compared to more complex areas such as commercial and mixed-use areas. When robotaxi operators train their AV systems, it is recommended to: (1) consider where their fleet operates and make localized algorithms for their perception system, and (2) design safety measures specific to residential neighborhoods, such as slower driving speeds and more alert sensors.
• Abstract（参考訳）: 本稿では,都市構築環境の空間的局所的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。 個々のインフラ要素の顕微鏡的効果を超えて、空間的不均一性と空間的自己相関に対処しながら、都市規模の土地利用と行動パターンに焦点を当てる。 我々はカリフォルニアAV衝突データセット上に地理ランダムフォレスト(GRF)と呼ばれる空間的局所的な機械学習手法を実装した。 関心点や建築のフットプリント,土地利用など,さまざまな都市対策を分析した結果,GRFモデルを構築し,サンフランシスコの衝突重大度リスクマップとして視覚化した。 本稿では3つの知見を示す。 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通常の機械学習よりも優れていた。 偏差係数のトレードオフは局所化重量ハイパーパラメータの調整によって明らかとなった。 第二に、土地利用は交差点、建物の足跡、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予測者であった。 第三に、AVの事故は住宅地よりも多様性と商業活動の大きい都市中心部で低重大な事故を引き起こしやすい。 住宅地の利用は、人的行動や制約の少ない環境により、より深刻度の高い土地の使用に関係している可能性が高い。 住宅地は、商業地域や混用地域のようなより複雑な地域に比べて、クラッシュの深刻度が高い。 ロボットタクシーのオペレーターがAVシステムを訓練する際には、(1)車両の運転先を考慮し、認識システムのための局所化アルゴリズムを作成し、(2)低速運転速度や警報センサーなどの住宅地区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)
• Spatial-variant causal Bayesian inference for rapid seismic ground failures and impacts estimation [3.190793775376023]
  地震後の地盤破壊と建物被害の迅速かつ正確な推定は、地震後の効果的な応答に不可欠である。 先進的な進歩は、新しい因果グラフベースのベイジアンネットワークを導入し、地震の地すべりを継続的に改善し、衛星画像から得られた損傷推定を構築した。 本研究では, 空間的複雑度を考慮に入れた手法として, 周囲のハザードから関係を捉えるために, 両側フィルタの影響を受けやすい空間変数を導入する手法を考案した。
  論文  参考訳（メタデータ） (2024-11-18T15:01:28Z)
• Risk Assessment for Autonomous Landing in Urban Environments using Semantic Segmentation [0.0]
  都市環境のセマンティックセグメンテーションのために,最先端のビジュアルトランスフォーマーネットワークであるSegFormerを提案する。 提案手法はいくつかのケーススタディを通じて検証されている。 都市部における公民権の応用において、UAVの潜在能力を最大限に活用するのに役立つと信じている。
  論文  参考訳（メタデータ） (2024-10-16T19:34:03Z)
• 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)
• Dfferentiable Raycasting for Self-supervised Occupancy Forecasting [52.61762537741392]
  自動運転のための運動計画では、エゴ車の周囲の環境が時間とともにどのように進化するかを学ぶ必要がある。 本稿では,自由空間のようなビュー依存表現の自然な代替手段として,幾何学的占有を用いる。 私たちの重要な洞察は、差別化可能なレイキャストを使用して、将来の占有率予測を、将来のLiDARスイープ予測に"レンダリング"することです。
  論文  参考訳（メタデータ） (2022-10-04T21:35:21Z)
• 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)
• 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)
• Impacts of shared autonomous vehicles: Tradeoff between parking demand reduction and congestion increase [0.0]
  共有自動運転車(SAV)は、民間車両を置き換えることで、輸送システムと土地利用に大きな影響を与える可能性がある。 本研究では,SAVの局所的な影響をシミュレーションにより推定する。
  論文  参考訳（メタデータ） (2021-04-30T14:16:47Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• 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)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。