論文の概要: Learning Collision Risk from Naturalistic Driving with Generalised Surrogate Safety Measures

• arxiv url: http://arxiv.org/abs/2505.13556v2
• Date: Tue, 03 Jun 2025 15:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.595124
• Title: Learning Collision Risk from Naturalistic Driving with Generalised Surrogate Safety Measures
• Title（参考訳）: 一般サロゲート安全対策による自然主義運転からの衝突リスクの学習
• Authors: Yiru Jiao, Simeon C. Calvert, Sander van Cranenburgh, Hans van Lint,
• Abstract要約: 本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは通常の運転パターンを捉え、交通相互作用がノルムから安全でない極端へと逸脱する程度を推定する。 瞬時状態のみを使用するバニラGSSMは、AUPRC 0.9を達成し、2.6秒の中央値の進行を保証し、潜在的な衝突を防ぐ。
• 参考スコア（独自算出の注目度）: 3.1457219084519004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate and timely alerts for drivers or automated systems to unfolding collisions remains a challenge in road safety, particularly in highly interactive urban traffic. Existing approaches require labour-intensive annotation of sparse risk, struggle to consider varying contextual factors, or are useful only in the scenarios they are designed for. To address these limits, this study introduces the generalised surrogate safety measure (GSSM), a new approach that learns exclusively from naturalistic driving without crash or risk labels. GSSM captures the patterns of normal driving and estimates the extent to which a traffic interaction deviates from the norm towards unsafe extreme. Utilising neural networks, normal interactions are characterised by context-conditioned distributions of multi-directional spacing between road users. In the same interaction context, a spacing closer than normal entails higher risk of potential collision. Then a context-adaptive risk score and its associated probability can be calculated based on the theory of extreme values. Any measurable factors, such as motion kinematics, weather, lighting, can serve as part of the context, allowing for diverse coverage of safety-critical interactions. Multiple public driving datasets are used to train GSSMs, which are tested with 2,591 real-world crashes and near-crashes reconstructed from the SHRP2 NDS. A vanilla GSSM using only instantaneous states achieves AUPRC of 0.9 and secures a median time advance of 2.6 seconds to prevent potential collisions. Additional data and contextual factors provide further performance gains. Across various interaction types such as rear-end, merging, and crossing, the accuracy and timeliness of GSSM consistently outperforms existing baselines. GSSM therefore establishes a scalable, context-aware, and generalisable foundation to proactively quantify collision risk in traffic interactions.
• Abstract（参考訳）: 衝突を拡大するためのドライバーや自動システムの正確かつタイムリーな警告は、道路安全、特に高度にインタラクティブな都市交通において依然として課題である。 既存のアプローチには、スパースリスクの労働集約的なアノテーション、さまざまなコンテキスト要因を考慮するのに苦労すること、あるいは彼らが設計したシナリオでのみ有用である必要がある。 これらの限界に対処するため,本研究では,事故やリスクラベルを伴わずに,自然主義的な運転から学習する新しいアプローチであるGSSM(Generalized surrogate safety measure)を導入する。 GSSMは通常の運転パターンを捉え、交通相互作用がノルムから安全でない極端へと逸脱する程度を推定する。 ニューラルネットワークを利用することで、道路利用者間の多方向間隔のコンテキスト条件分布によって、正常な相互作用が特徴づけられる。 同じ相互作用の文脈では、通常よりも近い間隔は、潜在的な衝突のリスクを高くする。 そして、極端な値の理論に基づいて、文脈適応型リスクスコアとその関連確率を計算することができる。 運動キネマティクス、天気、照明などの測定可能な要素は、文脈の一部として機能し、安全性とクリティカルな相互作用を多岐にわたってカバーすることができる。 複数の公共運転データセットがGSSMの訓練に使用され、2,591件の現実世界のクラッシュと、SHRP2 NDSから再構築されたほぼクレッシュでテストされる。 瞬時状態のみを使用するバニラGSSMは、AUPRC 0.9を達成し、2.6秒の中央値の進行を保証し、潜在的な衝突を防ぐ。 追加のデータとコンテキスト要素により、さらなるパフォーマンス向上が期待できる。 バックエンド、マージ、クロスといったさまざまなインタラクションタイプに対して、GSSMの精度とタイムラインは、既存のベースラインを一貫して上回る。 したがって、GSSMは、交通相互作用における衝突リスクを積極的に定量化するために、スケーラブルでコンテキスト対応で一般化可能な基盤を確立する。

関連論文リスト

• A Dynamic, Context-Aware Framework for Risky Driving Prediction Using Naturalistic Data [0.0]
  本研究では,ベルギーの運転データを用いた危険運転行動同定のための動的・個別化フレームワークを提案する。 速度重み付きヘッドウェイと厳しい運転イベントの2つの安全指標を3つのデータ駆動モデルを用いて評価した。 この知見は、リアルタイムの安全フィードバックを高めるための適応的、個人化されたリスク検出手法の価値を支持する。
  論文  参考訳（メタデータ） (2025-07-26T16:24:25Z)
• CrashAgent: Crash Scenario Generation via Multi-modal Reasoning [34.42773413989066]
  CrashAgentは,マルチモーダルな実世界の交通事故レポートを解釈するフレームワークである。 生成した衝突シナリオを,レイアウト再構成の精度,衝突速度,多様性など,複数の観点から評価した。 結果、高品質で大規模なクラッシュデータセットが公開され、安全な運転アルゴリズムの開発がサポートされる。
  論文  参考訳（メタデータ） (2025-05-23T19:55:32Z)
• RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
  RiskNetは自動運転車のリスク予測フレームワークである。 決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。 リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-04-22T02:36:54Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  MLLM(Multimodal Large Language Models)は、視覚データとテキストデータの両方を処理する。 構造化されていない知識と構造化されていない知識の両方を取り入れることでMLLMベースの自動運転システムを強化する新しいフレームワークであるSafeAutoを提案する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• 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)
• Risk-aware Trajectory Prediction by Incorporating Spatio-temporal Traffic Interaction Analysis [3.7414278978078204]
  本稿では,データセット内の高リスク相互作用に対応する位置と速度を解析することにより,この情報を得る。 トレーニングでは、高いリスク状況下でより良い予測を生成するために、それを使用します。
  論文  参考訳（メタデータ） (2024-07-15T11:57:06Z)
• 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)
• 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)
• Probabilistic Uncertainty-Aware Risk Spot Detector for Naturalistic Driving [1.8047694351309207]
  リスクアセスメントは自動運転車の開発と検証の中心的な要素である。 Time Headway (TH) と Time-To-Contact (TTC) は一般的にリスクメトリクスとして使われ、発生確率と質的な関係を持つ。 本稿では,生存分析に基づく確率論的状況リスクモデルを提案し,それを自然に知覚・時間的・行動的不確実性に組み込むよう拡張する。
  論文  参考訳（メタデータ） (2023-03-13T15:22:51Z)
• Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
  本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。 LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
  論文  参考訳（メタデータ） (2023-02-28T17:51:43Z)
• Multi-Agent Chance-Constrained Stochastic Shortest Path with Application to Risk-Aware Intelligent Intersection [15.149982804527182]
  既存の自動交差点の深刻な課題は、運転環境や人間駆動車からの不確実性の検出と推論にある。 自動運転車(AV)と人間駆動車(HV)のためのリスク対応知的交差点システムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T06:49:23Z)
• A Probabilistic Framework for Estimating the Risk of Pedestrian-Vehicle Conflicts at Intersections [5.8366275205801985]
  本研究では,交差点における歩行者と車両の衝突リスクを推定するための確率的枠組みを提案する。 提案フレームワークは,ガウスプロセス回帰を用いた軌道予測により,一定速度の制約を緩和する。 交差点で収集した実世界のLiDARデータを用いて,提案フレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2022-07-28T15:08:41Z)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。