Fugu-MT 論文翻訳(概要): Hybrid LSTM-Transformer Models for Profiling Highway-Railway Grade Crossings

論文の概要: Hybrid LSTM-Transformer Models for Profiling Highway-Railway Grade Crossings

arxiv url: http://arxiv.org/abs/2508.00039v1
Date: Thu, 31 Jul 2025 06:44:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.595392
Title: Hybrid LSTM-Transformer Models for Profiling Highway-Railway Grade Crossings
Title（参考訳）: ハイウェイ・レールウェイ・グレードクロスの探索のためのハイブリッドLSTM変換器モデル
Authors: Kaustav Chatterjee, Joshua Q. Li, Fatemeh Ansari, Masud Rana Munna, Kundan Parajulee, Jared Schwennesen,
Abstract要約: ハイウェイ鉄道グレードクロス(HRGC)は、ハングアップの可能性があるため、ハイウェイ車両に安全リスクをもたらす。 HRGCプロファイルを計測する従来の方法は、コストがかかり、時間がかかり、トラフィックが破壊的であり、現在の安全上の課題である。本研究はHRGCプロファイル測定のための高度で費用対効果の高い技術と革新的なモデリング手法を用いた。
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: Hump crossings, or high-profile Highway Railway Grade Crossings (HRGCs), pose safety risks to highway vehicles due to potential hang-ups. These crossings typically result from post-construction railway track maintenance activities or non-compliance with design guidelines for HRGC vertical alignments. Conventional methods for measuring HRGC profiles are costly, time-consuming, traffic-disruptive, and present safety challenges. To address these issues, this research employed advanced, cost-effective techniques and innovative modeling approaches for HRGC profile measurement. A novel hybrid deep learning framework combining Long Short-Term Memory (LSTM) and Transformer architectures was developed by utilizing instrumentation and ground truth data. Instrumentation data were gathered using a highway testing vehicle equipped with Inertial Measurement Unit (IMU) and Global Positioning System (GPS) sensors, while ground truth data were obtained via an industrial-standard walking profiler. Field data was collected at the Red Rock Railroad Corridor in Oklahoma. Three advanced deep learning models Transformer-LSTM sequential (model 1), LSTM-Transformer sequential (model 2), and LSTM-Transformer parallel (model 3) were evaluated to identify the most efficient architecture. Models 2 and 3 outperformed the others and were deployed to generate 2D/3D HRGC profiles. The deep learning models demonstrated significant potential to enhance highway and railroad safety by enabling rapid and accurate assessment of HRGC hang-up susceptibility.
Abstract（参考訳）: ハンプ・クロス(英: Hump crossings)またはハイウェイ鉄道グレード・クロス(英: High-known Highway Railway Grade Crossings、HRGC)は、ハンプアップの可能性があるために高速道路車両に安全リスクをもたらす。これらの交差は、建設後の鉄道線路維持活動や、HRGCの垂直配置に関する設計ガイドラインに準拠しない結果が典型的である。 HRGCプロファイルを計測する従来の方法は、コストがかかり、時間がかかり、トラフィックが破壊的であり、現在の安全上の課題である。これらの課題に対処するために、HRGCプロファイル測定のための高度で費用効率の良い手法と革新的なモデリングアプローチを採用した。長期記憶(Long Short-Term Memory:LSTM)とTransformerアーキテクチャを組み合わせた新しいハイブリッドディープラーニングフレームワークを開発した。 Inertial Measurement Unit(IMU)とGlobal Positioning System(GPS)センサーを搭載した高速道路試験車を用いて計測データを収集し,産業標準歩行プロファイラを用いて地上真実データを得た。フィールドデータはオクラホマ州のレッドロック鉄道回廊で収集された。 3つの高度なディープラーニングモデルであるTransformer-LSTMシーケンシャル(モデル1)、LSTM-Transformerシーケンシャル(モデル2)、LSTM-Transformer並列(モデル3)を評価し、最も効率的なアーキテクチャを同定した。モデル2と3は他のモデルよりも優れており、2D/3D HRGCプロファイルを生成するために配備された。深層学習モデルは、HRGCハングアップ感受性の迅速かつ正確な評価を可能にすることにより、高速道路と鉄道の安全性を高める重要な可能性を示した。

関連論文リスト

GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。動作精度と空間認識の両面で既存のモデルよりも優れていた。
論文参考訳（メタデータ） (2025-05-28T14:46:51Z)
Deep reinforcement learning-based longitudinal control strategy for automated vehicles at signalised intersections [2.9398787168955116]
本研究では,信号交差点における深部強化学習に基づく縦方向車両制御戦略を提案する。総合的な報酬関数は、特に距離方向に基づく効率報酬に焦点を当てて定式化されている。 DDPG(Deep Deterministic Policy Gradient)とSAC(Soft-Actor Critic)という2つのDRLアルゴリズムが組み込まれている。
論文参考訳（メタデータ） (2025-05-13T18:38:42Z)
Estimating Vehicle Speed on Roadways Using RNNs and Transformers: A Video-based Approach [0.0]
本研究は,高度な機械学習モデル,特にLong Short-Term Memory(LSTM),Gated Recurrent Units(GRU),Transformersの,ビデオデータを用いた車両速度推定タスクへの適用について検討する。
論文参考訳（メタデータ） (2025-02-21T15:51:49Z)
Exploring Transformer-Augmented LSTM for Temporal and Spatial Feature Learning in Trajectory Prediction [1.7273380623090846]
本研究では,TransformerベースのモデルとLong Short-Term Memory (LSTM)ベースの技術の統合について検討する。提案手法は, STA-LSTM, SA-LSTM, CS-LSTM, NaiveLSTM など, 従来の LSTM ベースの手法に対してベンチマークを行う。
論文参考訳（メタデータ） (2024-12-18T01:31:08Z)
Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety [0.11999555634662631]
RHGCの事故と遅れは、アメリカ合衆国連邦鉄道管理局(FRA)に重大な安全上の懸念をもたらす。本研究では、機械学習とコンピュータビジョン技術を活用してRHGCの安全性を高めるインテリジェントシステムを提案する。
論文参考訳（メタデータ） (2024-03-17T02:15:15Z)
RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文参考訳（メタデータ） (2023-10-03T17:59:32Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
論文参考訳（メタデータ） (2022-12-29T03:15:59Z)
Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文参考訳（メタデータ） (2022-11-15T15:04:06Z)
Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
論文参考訳（メタデータ） (2022-05-03T17:14:47Z)
Deep Generative Models for Vehicle Speed Trajectories [2.5137859989323537]
深層生成モデルの拡張によって、正確でスケーラブルな生成が可能になることを示す。シカゴ大都市圏のGPSデータに基づいて訓練したモデルを用いて,車両軌跡生成に優れた性能を示した。
論文参考訳（メタデータ） (2021-12-14T20:14:03Z)

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。