論文の概要: Real-Time Conflict Prediction for Large Truck Merging in Mixed Traffic at Work Zone Lane Closures

• arxiv url: http://arxiv.org/abs/2508.02109v1
• Date: Mon, 04 Aug 2025 06:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.206888
• Title: Real-Time Conflict Prediction for Large Truck Merging in Mixed Traffic at Work Zone Lane Closures
• Title（参考訳）: ワークゾーンレーン閉鎖時の混在交通における大型トラックマージのリアルタイム衝突予測
• Authors: Abyad Enan, Abdullah Al Mamun, Gurcan Comert, Debbie Aisiana Indah, Judith Mwakalonge, Amy W. Apon, Mashrur Chowdhury,
• Abstract要約: 大型トラックは、主に大きな大きさと盲点のために、作業ゾーン関連のクラッシュに寄与する。 本研究は,大規模トラック合併作業の安全性を高めることを目的として,合併紛争に伴うリスクを評価することを目的とする。 ワークゾーン内の混在トラフィックストリームにマージする大型トラックのリスクを予測するために,Long Short-Term Memory (LSTM) ニューラルネットワークが使用されている。
• 参考スコア（独自算出の注目度）: 8.038861540746938
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large trucks substantially contribute to work zone-related crashes, primarily due to their large size and blind spots. When approaching a work zone, large trucks often need to merge into an adjacent lane because of lane closures caused by construction activities. This study aims to enhance the safety of large truck merging maneuvers in work zones by evaluating the risk associated with merging conflicts and establishing a decision-making strategy for merging based on this risk assessment. To predict the risk of large trucks merging into a mixed traffic stream within a work zone, a Long Short-Term Memory (LSTM) neural network is employed. For a large truck intending to merge, it is critical that the immediate downstream vehicle in the target lane maintains a minimum safe gap to facilitate a safe merging process. Once a conflict-free merging opportunity is predicted, large trucks are instructed to merge in response to the lane closure. Our LSTM-based conflict prediction method is compared against baseline approaches, which include probabilistic risk-based merging, 50th percentile gap-based merging, and 85th percentile gap-based merging strategies. The results demonstrate that our method yields a lower conflict risk, as indicated by reduced Time Exposed Time-to-Collision (TET) and Time Integrated Time-to-Collision (TIT) values relative to the baseline models. Furthermore, the findings indicate that large trucks that use our method can perform early merging while still in motion, as opposed to coming to a complete stop at the end of the current lane prior to closure, which is commonly observed with the baseline approaches.
• Abstract（参考訳）: 大型トラックは、大きな大きさと盲点のために、作業ゾーン関連のクラッシュに大きく貢献する。 作業場に近づくと、建設活動による車線閉鎖のため、大型トラックが隣の車線に合流する必要があることが多い。 本研究は, 合併紛争に伴うリスクを評価し, このリスク評価に基づいて, 合併の意思決定戦略を確立することにより, 作業区域における大型トラックの合併操作の安全性を高めることを目的とする。 作業ゾーン内の混在トラフィックストリームに大型トラックがマージされるリスクを予測するために,Long Short-Term Memory(LSTM)ニューラルネットワークを用いる。 マージを意図した大型トラックにとって、ターゲットレーンの下流車両は、安全なマージプロセスを容易にするために、最小限の安全なギャップを維持することが重要である。 紛争のない合併の機会が予測されると、大型トラックは車線閉鎖に対応して合併するように指示される。 LSTMに基づくコンフリクト予測手法は,確率的リスクベースマージ,50パーセントのギャップベースマージ,85パーセントのギャップベースマージ戦略を含むベースラインアプローチと比較した。 その結果,本手法は,標準モデルに対して,TET(Time Exposed Time-to-Collision)値とTIT(Time Integrated Time-to-Collision)値の低減によって示されるように,競合リスクの低減を図っている。 さらに, 本手法を応用した大型トラックは, 閉線前の車線終点に着地するのに対して, 動作中に早期にマージを行うことが可能であることが示唆された。

関連論文リスト

• Resolve Highway Conflict in Multi-Autonomous Vehicle Controls with Local State Attention [1.1124588036301812]
  混合交通環境では、自動運転車は人間が制御する車両や他の異常な運転状況に適応する必要がある。 入力状態表現を支援するローカル状態アテンションモジュールを提案する。 我々のアプローチでは、マージプロセスを管理するために他の車両の情報に優先順位をつけることができます。
  論文  参考訳（メタデータ） (2025-06-13T03:48:54Z)
• Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
  本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。 複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。 即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
  論文  参考訳（メタデータ） (2025-05-19T07:22:32Z)
• SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
  SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。 第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。 第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。 最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
  論文  参考訳（メタデータ） (2025-05-14T14:28:24Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Optimization of Velocity Ramps with Survival Analysis for Intersection Merge-Ins [1.6326895385412847]
  任意の形状と車両密度のT区間マージインに対する正確な動作計画の問題点を考察する。 マージイン支援システムは、2台の連続車両間のギャップをうまく取ることができる確率を見積もる必要がある。
  論文  参考訳（メタデータ） (2023-03-13T12:13:26Z)
• 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)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Cooperative Highway Work Zone Merge Control based on Reinforcement Learning in A Connected and Automated Environment [6.402634424631123]
  本稿では,人工知能が実現した協調運転行動に基づく高速道路の作業ゾーン統合制御戦略を提案し,評価する。 提案手法は、全車両が完全に自動化され、接続され、協調していると仮定する。 その結果, この協調的RL型マージ制御は, 流動性と安全性の両面で, 後期マージや早期マージといった一般的な戦略を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-01-21T21:39:44Z)

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。