論文の概要: VRU-CIPI: Crossing Intention Prediction at Intersections for Improving Vulnerable Road Users Safety

• arxiv url: http://arxiv.org/abs/2505.09935v1
• Date: Thu, 15 May 2025 03:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.175167
• Title: VRU-CIPI: Crossing Intention Prediction at Intersections for Improving Vulnerable Road Users Safety
• Title（参考訳）: VRU-CIPI: 道路利用者の安全を向上するための交差点における意図予測
• Authors: Ahmed S. Abdelrahman, Mohamed Abdel-Aty, Quoc Dai Tran,
• Abstract要約: 交差点におけるVRU交差意図を予測するために,VRU-CIPIフレームワークを逐次アテンションベースモデルで提案する。 VRU-CIPIは、GRU(Gated Recurrent Unit)を使用して、VRU動作の時間的ダイナミクスをキャプチャする。 提案手法は96.45%の精度で,33フレーム/秒のリアルタイム推論速度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding and predicting human behavior in-thewild, particularly at urban intersections, remains crucial for enhancing interaction safety between road users. Among the most critical behaviors are crossing intentions of Vulnerable Road Users (VRUs), where misinterpretation may result in dangerous conflicts with oncoming vehicles. In this work, we propose the VRU-CIPI framework with a sequential attention-based model designed to predict VRU crossing intentions at intersections. VRU-CIPI employs Gated Recurrent Unit (GRU) to capture temporal dynamics in VRU movements, combined with a multi-head Transformer self-attention mechanism to encode contextual and spatial dependencies critical for predicting crossing direction. Evaluated on UCF-VRU dataset, our proposed achieves state-of-the-art performance with an accuracy of 96.45% and achieving real-time inference speed reaching 33 frames per second. Furthermore, by integrating with Infrastructure-to-Vehicles (I2V) communication, our approach can proactively enhance intersection safety through timely activation of crossing signals and providing early warnings to connected vehicles, ensuring smoother and safer interactions for all road users.
• Abstract（参考訳）: 特に都市交差点における人間の行動の理解と予測は,道路利用者間の相互作用の安全性向上に不可欠である。 最も重要な行動の1つは、Vulnerable Road Users(VRU)の意図を横切ることである。 本研究では,交差点におけるVRU交差意図を予測するために,逐次注目に基づくモデルを用いたVRU-CIPIフレームワークを提案する。 VRU-CIPI は Gated Recurrent Unit (GRU) を用いて、VRU の動きの時間的ダイナミクスを捉える。 UCF-VRUデータセットに基づいて、提案手法は96.45%の精度で最先端の性能を実現し、毎秒33フレームのリアルタイム推論速度を実現する。 さらに、インフラ間通信(I2V)との統合により、交差信号の時間的活性化による交差点安全性を積極的に向上し、接続車両に早期警告を提供することにより、道路利用者全員のよりスムーズで安全なインタラクションを確保することができる。

関連論文リスト

• Consensus-Aware AV Behavior: Trade-offs Between Safety, Interaction, and Performance in Mixed Urban Traffic [0.0]
  自動走行車(AV)の安全性、相互作用品質、交通性能のコンセンサスを定量化することを目的としている。 Time-to-Collision (TTC), Post-Encroachment Time (PET), deceleration pattern, Headway, string stabilityなど,主要な指標を評価した。 その結果,AV-VRUインタラクションフレームの1.63%が3つの条件をすべて満たしているという,安全性,インタラクション,パフォーマンスに関する完全なコンセンサスは稀であることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T12:59:59Z)
• Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions [7.735477839355801]
  本稿では,DAG(Deep Reinforcement Learning, 深層強化学習)アルゴリズムを用いた意思決定フレームワークを提案する。 提案手法の性能を評価するため, 模擬環境下での車線変更シナリオにおいて, 提案手法を検証, 適用することができる。
  論文  参考訳（メタデータ） (2025-04-28T17:24:04Z)
• 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)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Evaluating the reliability of automatically generated pedestrian and bicycle crash surrogates [0.491574468325115]
  Vulnerable Road Users (VRU) は、自動車の事故に巻き込まれるリスクが高い。 信号交差点は、その複雑でダイナミックな性質のため、VRUにとって大きな安全上の懸念事項である。 本研究は, 自動生成サロゲートの信頼性を検証し, 衝突を予測した。
  論文  参考訳（メタデータ） (2023-07-24T23:57:29Z)
• 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)
• 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)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)

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。