論文の概要: Simulating the Unseen: Crash Prediction Must Learn from What Did Not Happen

• arxiv url: http://arxiv.org/abs/2505.21743v1
• Date: Tue, 27 May 2025 20:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.280903
• Title: Simulating the Unseen: Crash Prediction Must Learn from What Did Not Happen
• Title（参考訳）: 不可視のシミュレーション:衝突予測は起こらなかったことから学ぶ必要がある
• Authors: Zihao Li, Xinyuan Cao, Xiangbo Gao, Kexin Tian, Keshu Wu, Mohammad Anis, Hao Zhang, Keke Long, Jiwan Jiang, Xiaopeng Li, Yunlong Zhang, Tianbao Yang, Dominique Lord, Zhengzhong Tu, Yang Zhou,
• Abstract要約: 交通安全科学は長年、基本的なデータパラドックスによって妨げられてきた。 既存のクラッシュ頻度モデルとサロゲート安全指標は、スパース、ノイズ、報告されていない記録に大きく依存している。 ビジョンゼロを達成するためには、従来のクラッシュのみの学習から、新しい形の対実的安全学習へのパラダイムシフトが必要である、と我々は主張する。
• 参考スコア（独自算出の注目度）: 41.21764593956842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic safety science has long been hindered by a fundamental data paradox: the crashes we most wish to prevent are precisely those events we rarely observe. Existing crash-frequency models and surrogate safety metrics rely heavily on sparse, noisy, and under-reported records, while even sophisticated, high-fidelity simulations undersample the long-tailed situations that trigger catastrophic outcomes such as fatalities. We argue that the path to achieving Vision Zero, i.e., the complete elimination of traffic fatalities and severe injuries, requires a paradigm shift from traditional crash-only learning to a new form of counterfactual safety learning: reasoning not only about what happened, but also about the vast set of plausible yet perilous scenarios that could have happened under slightly different circumstances. To operationalize this shift, our proposed agenda bridges macro to micro. Guided by crash-rate priors, generative scene engines, diverse driver models, and causal learning, near-miss events are synthesized and explained. A crash-focused digital twin testbed links micro scenes to macro patterns, while a multi-objective validator ensures that simulations maintain statistical realism. This pipeline transforms sparse crash data into rich signals for crash prediction, enabling the stress-testing of vehicles, roads, and policies before deployment. By learning from crashes that almost happened, we can shift traffic safety from reactive forensics to proactive prevention, advancing Vision Zero.
• Abstract（参考訳）: 交通安全科学は長年、基本的なデータパラドックスによって妨げられてきた。 既存のクラッシュ頻度モデルとサロゲート安全指標は、スパース、ノイズ、低報告の記録に大きく依存する一方で、高度で高忠実なシミュレーションでさえ、死亡などの破滅的な結果を引き起こす長い尾の状況を裏付けている。 ビジョンゼロを達成するための道、すなわち交通事故死と重傷の完全な排除は、従来のクラッシュのみの学習から、新しい形の対実的安全学習へのパラダイムシフトを必要としている、と我々は主張する。 このシフトを運用するために、提案したアジェンダはマクロをマイクロにブリッジする。 衝突率の先行、生成シーンエンジン、多様なドライバモデル、因果学習によってガイドされ、ニアミスイベントが合成され、説明される。 クラッシュに焦点を当てたデジタルツインテストベッドはマイクロシーンとマクロパターンをリンクし、マルチオブジェクト検証器はシミュレーションが統計的リアリズムを維持することを保証します。 このパイプラインは、スパースクラッシュデータをクラッシュ予測のためのリッチな信号に変換することで、車両、道路、およびデプロイメント前のポリシーのストレステストを可能にする。 ほぼ発生した事故から学ぶことで、交通安全をリアクティブな法医学から積極的に予防し、ビジョンゼロを前進させることができる。

関連論文リスト

• NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
  既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。 ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。 本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:12:40Z)
• 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)
• CrashFormer: A Multimodal Architecture to Predict the Risk of Crash [1.3194391758295112]
  事故予測は交通安全を改善するための鍵であり、事故が起こる前に前向きな措置をとることができる。 事故履歴,気象情報,地図画像,人口統計情報などの総合的な入力を利用するマルチモーダルアーキテクチャであるCrashFormerを提案する。 このモデルは、地理的に5.161平方キロメートルの位置において、合理的に許容できるケイデンス(すなわち6時間毎に)における事故の将来のリスクを予測する。
  論文  参考訳（メタデータ） (2024-02-07T13:09:23Z)
• 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)
• ReasonNet: End-to-End Driving with Temporal and Global Reasoning [31.319673950804972]
  ReasonNetは、運転シーンの時間的情報と世界的情報の両方を広範囲に活用する、新しいエンドツーエンド駆動フレームワークである。 本手法は,異なるフレームにおける特徴間の相互作用や関係を効果的に処理できる。 シーンのグローバルな情報に関する推論は、全体の知覚性能を向上させることもできる。
  論文  参考訳（メタデータ） (2023-05-17T18:24:43Z)
• Connecting Surrogate Safety Measures to Crash Probablity via Causal Probabilistic Time Series Prediction [0.0]
  本稿では,確率的時系列予測を用いて,サロゲート安全対策とクラッシュ確率を結合する手法を提案する。 この手法では, 速度, 加速度, 時間対衝突のシーケンスを用いて, それらの変数の確率密度関数を推定した。 推定シーケンスは正確であり, 条件付き衝突確率は, 衝突防止のための回避行動の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-04T04:08:59Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• 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。