論文の概要: Predicting NCAP Safety Ratings: An Analysis of Vehicle Characteristics and ADAS Features Using Machine Learning

• arxiv url: http://arxiv.org/abs/2509.01897v1
• Date: Tue, 02 Sep 2025 02:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.885152
• Title: Predicting NCAP Safety Ratings: An Analysis of Vehicle Characteristics and ADAS Features Using Machine Learning
• Title（参考訳）: NCAP安全性評価の予測:機械学習を用いた車両特性とADAS特性の分析
• Authors: Raunak Kunwar, Aera Kim LeBoulluec,
• Abstract要約: ニューカー・アセスメント・プログラム(NCAP)は、伝統的に受動的安全対策を強調した標準化された安全評価を割り当てている。 この研究は、前方衝突警告、レーン離脱警告、クラッシュ即時ブレーキ、ブラインドスポット検出といったADASの特定の特徴が、車両が全NCAP評価で最高(5つ星)を得る可能性を確実に予測できるかどうかを調査する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle safety assessment is crucial for consumer information and regulatory oversight. The New Car Assessment Program (NCAP) assigns standardized safety ratings, which traditionally emphasize passive safety measures but now include active safety technologies such as Advanced Driver-Assistance Systems (ADAS). It is crucial to understand how these various systems interact empirically. This study explores whether particular ADAS features like Forward Collision Warning, Lane Departure Warning, Crash Imminent Braking, and Blind Spot Detection, together with established vehicle attributes (e.g., Curb Weight, Model Year, Vehicle Type, Drive Train), can reliably predict a vehicle's likelihood of earning the highest (5-star) overall NCAP rating. Using a publicly available dataset derived from NCAP reports that contain approximately 5,128 vehicle variants spanning model years 2011-2025, we compared four different machine learning models: logistic regression, random forest, gradient boosting, and support vector classifier (SVC) using a 5-fold stratified cross-validation approach. The two best-performing algorithms (random forest and gradient boost) were hyperparameter optimized using RandomizedSearchCV. Analysis of feature importance showed that basic vehicle characteristics, specifically curb weight and model year, dominated predictive capability, contributing more than 55% of the feature relevance of the Random Forest model. However, the inclusion of ADAS features also provided meaningful predictive contributions. The optimized Random Forest model achieved robust results on a held-out test set, with an accuracy of 89.18% and a ROC AUC of 0.9586. This research reveals the use of machine learning to analyze large-scale NCAP data and highlights the combined predictive importance of both established vehicle parameters and modern ADAS features to achieve top safety ratings.
• Abstract（参考訳）: 自動車の安全評価は、消費者情報と規制監督にとって不可欠である。 新車評価プログラム(New Car Assessment Program, NCAP)は、従来は受動的安全対策を重視していたが、現在、高度運転支援システム(ADAS)のようなアクティブな安全技術を含んでいる標準化された安全評価を割り当てている。 これらの様々なシステムが経験的にどのように相互作用するかを理解することは重要である。 本研究は、前向き衝突警告、レーン分割警告、クラッシュ即時ブレーキ、ブラインドスポット検出などのADAS機能と、確立された車両特性(例えば、カーブウェイト、モデルイヤー、車両タイプ、ドライブトレイン)が、車種全体のNCAP評価において最高(5つ星)を得る可能性を確実に予測できるかどうかを考察する。 2011-2025年モデルにまたがる約5,128種類の車種を含むNCAPレポートから得られた公開データセットを用いて、ロジスティック回帰、ランダムフォレスト、勾配押し上げ、サポートベクター分類器(SVC)の4つの異なる機械学習モデルを比較した。 RandomizedSearchCVを用いて最適化した2つの最適性能アルゴリズム(ランダムフォレストと勾配ブースト)について検討した。 特徴的重要性の分析は、特に重量とモデル年を抑える基本的な車両特性が予測能力を支配し、ランダムフォレストモデルの特徴的関連性の55%以上に寄与したことを示している。 しかし、ADAS機能を含めることで、有意義な予測的貢献がもたらされた。 最適化されたランダムフォレストモデルは89.18%の精度、OC AUC 0.9586の持続試験セットで堅牢な結果を得た。 本研究は,大規模NCAPデータ解析における機械学習の利用を明らかにするとともに,確立された車両パラメータと近代ADAS特徴の併用による安全性評価の重要性を強調した。

関連論文リスト

• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
  この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。 主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。 主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
  論文  参考訳（メタデータ） (2025-08-15T14:31:26Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI [0.0]
  本稿では,変分オートエンコーダ(VAE)に基づく知識蒸留手法を用いて,KD-XVAEと呼ばれる高度な侵入検知システムを提案する。 本モデルでは,1669個のパラメータで処理し,バッチ毎に0.3msの推論時間を実現することにより,複雑性を大幅に低減する。
  論文  参考訳（メタデータ） (2024-10-11T17:57:16Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches [3.403279506246879]
  本研究では,これらの車両から収集したセンサデータに基づいて,潜在的なメンテナンスニーズの予測を支援する,予測型メンテナンスベースアンサンブルシステムを提案する。 提案システムは98.93%の精度、99.80%の精度、99.03%のリコールを実現する。
  論文  参考訳（メタデータ） (2023-07-26T18:50:32Z)

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。