論文の概要: Automated Traffic Incident Response Plans using Generative Artificial Intelligence: Part 1 -- Building the Incident Response Benchmark
- arxiv url: http://arxiv.org/abs/2506.03381v1
- Date: Tue, 03 Jun 2025 20:40:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 21:20:14.049524
- Title: Automated Traffic Incident Response Plans using Generative Artificial Intelligence: Part 1 -- Building the Incident Response Benchmark
- Title(参考訳): 生成人工知能を用いた交通事故対応計画の自動化:その1-インシデント対応ベンチマークの構築
- Authors: Artur Grigorev, Khaled Saleh, Jiwon Kim, Adriana-Simona Mihaita,
- Abstract要約: 本稿では、生成人工知能を用いて、入ってくる交通事故に対する応答計画を自動的に生成する新しいインシデント応答ベンチマークを提案する。
提案手法は,特定のインシデント特性に適応した可変メッセージサイン展開,レーン閉鎖,緊急リソース割り当てなど,コンテキストに適したアクションを提案することで,インシデント解決の時間を大幅に短縮することを目的としている。
- 参考スコア(独自算出の注目度): 12.896575987798464
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic incidents remain a critical public safety concern worldwide, with Australia recording 1,300 road fatalities in 2024, which is the highest toll in 12 years. Similarly, the United States reports approximately 6 million crashes annually, raising significant challenges in terms of a fast reponse time and operational management. Traditional response protocols rely on human decision-making, which introduces potential inconsistencies and delays during critical moments when every minute impacts both safety outcomes and network performance. To address this issue, we propose a novel Incident Response Benchmark that uses generative artificial intelligence to automatically generate response plans for incoming traffic incidents. Our approach aims to significantly reduce incident resolution times by suggesting context-appropriate actions such as variable message sign deployment, lane closures, and emergency resource allocation adapted to specific incident characteristics. First, the proposed methodology uses real-world incident reports from the Performance Measurement System (PeMS) as training and evaluation data. We extract historically implemented actions from these reports and compare them against AI-generated response plans that suggest specific actions, such as lane closures, variable message sign announcements, and/or dispatching appropriate emergency resources. Second, model evaluations reveal that advanced generative AI models like GPT-4o and Grok 2 achieve superior alignment with expert solutions, demonstrated by minimized Hamming distances (averaging 2.96-2.98) and low weighted differences (approximately 0.27-0.28). Conversely, while Gemini 1.5 Pro records the lowest count of missed actions, its extremely high number of unnecessary actions (1547 compared to 225 for GPT-4o) indicates an over-triggering strategy that reduces the overall plan efficiency.
- Abstract(参考訳): オーストラリアでは2024年に1,300人の道路事故が発生し、これは12年ぶりの高水準となっている。
同様に、アメリカは毎年約600万件の事故を報告し、迅速な応答時間と運用管理の観点から大きな課題を提起している。
従来の応答プロトコルは人間の意思決定に依存しており、毎分が安全結果とネットワーク性能の両方に影響を与える場合、臨界時の潜在的な不整合や遅延をもたらす。
この問題に対処するために、生成人工知能を用いて入ってくる交通事故に対する応答計画を自動的に生成する新しいインシデント応答ベンチマークを提案する。
提案手法は,特定のインシデント特性に適応した可変メッセージサイン展開,レーン閉鎖,緊急リソース割り当てなど,コンテキストに適したアクションを提案することで,インシデント解決の時間を大幅に短縮することを目的としている。
提案手法は,まず,評価データとして,PeMS(Performance Measurement System)のリアルタイムインシデントレポートを用いる。
我々は、これらのレポートから歴史的に実装されたアクションを抽出し、レーン閉鎖、可変メッセージサインの発表、および/または適切な緊急リソースのディスパッチといった特定のアクションを提案するAI生成のレスポンスプランと比較する。
第2に、GPT-4oやGrok 2のような先進的な生成AIモデルは、ハミング距離を最小化(2.96-2.98)、低重み付き差(約0.27-0.28)で、専門家のソリューションとの整合性が向上することを示した。
逆に、Gemini 1.5 Proは失ったアクションの最小数を記録しているが、その極めて多くの不必要なアクション(GPT-4oの225と比べて1547)は、全体の計画効率を低下させる過剰なトリガ戦略を示している。
関連論文リスト
- IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence [2.1711205684359247]
IncidentResponseGPT(インシデントレスポンスGPT)は、AI(Generative AI)をトラフィックインシデント応答に適用する新しいシステムである。
交通管理当局の意思決定を迅速化するため、特定地域に適応したインシデント対応計画を作成する。
論文 参考訳(メタデータ) (2024-04-29T09:45:46Z) - Artificial Intelligence for Emergency Response [0.6091702876917281]
緊急対応管理(ERM)は、世界中のコミュニティが直面している課題である。
データ駆動モデルは、人的および財政的な損失を減らし、設計コード、交通規制、安全対策を改善するのに役立つ。
本チュートリアルでは,緊急応答における4つのサブプロブレム(インシデント予測,インシデント検出,リソース割り当て,リソースディスパッチ)について検討する。
論文 参考訳(メタデータ) (2023-06-15T18:16:08Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳(メタデータ) (2023-04-03T17:37:00Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳(メタデータ) (2022-12-19T11:43:02Z) - Designing Decision Support Systems for Emergency Response: Challenges
and Opportunities [3.8532022064807827]
道路事故等の事故に対応する緊急対応管理システム(ERM)は,地域社会が直面している大きな問題である。
本稿では,重要な課題を取り上げ,我々のチームがコミュニティパートナと共同で開発したアプローチの概要を紹介する。
論文 参考訳(メタデータ) (2022-02-23T02:02:32Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳(メタデータ) (2020-10-09T02:31:34Z) - On Algorithmic Decision Procedures in Emergency Response Systems in
Smart and Connected Communities [21.22596396400625]
緊急対応管理(ERM)は、世界中のコミュニティが直面している重要な問題である。
我々は、ERMシステムの計画の重要な期間は、事故後ではなく、事故間にあると論じる。
本稿では,ディスパッチ問題の構造を活用・活用する2つの部分分散マルチエージェント計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-21T07:04:38Z)
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。