論文の概要: DARTS: A Drone-Based AI-Powered Real-Time Traffic Incident Detection System

• arxiv url: http://arxiv.org/abs/2510.26004v1
• Date: Wed, 29 Oct 2025 22:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.593478
• Title: DARTS: A Drone-Based AI-Powered Real-Time Traffic Incident Detection System
• Title（参考訳）: ドローンによるAIによるリアルタイム交通事故検知システムDARTS
• Authors: Bai Li, Achilleas Kourtellis, Rong Cao, Joseph Post, Brian Porter, Yu Zhang,
• Abstract要約: DARTSは、AIを利用したドローンによるリアルタイム交通事故検知システムである。 このシステムは、自己収集されたデータセットで99%の精度で検出された。 現地試験では、DARTSは地方交通管理センターより12分早く後方衝突を検出し、確認した。
• 参考スコア（独自算出の注目度）: 4.230713219853656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid and reliable incident detection is critical for reducing crash-related fatalities, injuries, and congestion. However, conventional methods, such as closed-circuit television, dashcam footage, and sensor-based detection, separate detection from verification, suffer from limited flexibility, and require dense infrastructure or high penetration rates, restricting adaptability and scalability to shifting incident hotspots. To overcome these challenges, we developed DARTS, a drone-based, AI-powered real-time traffic incident detection system. DARTS integrates drones' high mobility and aerial perspective for adaptive surveillance, thermal imaging for better low-visibility performance and privacy protection, and a lightweight deep learning framework for real-time vehicle trajectory extraction and incident detection. The system achieved 99% detection accuracy on a self-collected dataset and supports simultaneous online visual verification, severity assessment, and incident-induced congestion propagation monitoring via a web-based interface. In a field test on Interstate 75 in Florida, DARTS detected and verified a rear-end collision 12 minutes earlier than the local transportation management center and monitored incident-induced congestion propagation, suggesting potential to support faster emergency response and enable proactive traffic control to reduce congestion and secondary crash risk. Crucially, DARTS's flexible deployment architecture reduces dependence on frequent physical patrols, indicating potential scalability and cost-effectiveness for use in remote areas and resource-constrained settings. This study presents a promising step toward a more flexible and integrated real-time traffic incident detection system, with significant implications for the operational efficiency and responsiveness of modern transportation management.
• Abstract（参考訳）: 急速かつ信頼性の高いインシデント検出は、事故に関連する死亡率、負傷率、混雑率の低減に不可欠である。 しかし、クローズド・サーキット・テレビジョンやダッシュカム・ビデオ、センサーによる検出といった従来の手法では、検証から分離した検出は柔軟性に限界があり、高密度のインフラや高い浸透速度が必要であり、入射ホットスポットのシフトに適応性とスケーラビリティを制限している。 これらの課題を克服するため、ドローンベースのAIによるリアルタイムトラフィックインシデント検出システムであるDARTSを開発した。 DARTSは、適応監視、サーマルイメージング、低視認性性能の向上、プライバシ保護、リアルタイム車両軌道抽出とインシデント検出のための軽量なディープラーニングフレームワークを統合する。 このシステムは、自己収集したデータセット上で99%の精度を達成し、Webベースのインターフェイスを介して、オンラインの視覚的検証、重大度評価、インシデントによる混雑伝播モニタリングを同時にサポートする。 フロリダ州の州間高速道路75号線のフィールドテストで、DARTSは地元の交通管理センターよりも12分早く後方の衝突を検出し、事故によって引き起こされた渋滞の伝播をモニターし、より速い緊急応答をサポートし、前向きな交通制御を可能にして渋滞と二次的な事故リスクを減らす可能性を示唆した。 重要な点として、DARTSの柔軟なデプロイメントアーキテクチャは、頻繁な物理的なパトロールへの依存を減らし、遠隔地やリソース制約のある設定で使用するための潜在的なスケーラビリティとコスト効率を示している。 本研究は, より柔軟で統合されたリアルタイム交通事故検知システムの実現に向けての有望な一歩であり, 近代交通管理の運用効率と応答性に重要な意味を持つ。

関連論文リスト

• UAV-Based Intelligent Traffic Surveillance System: Real-Time Vehicle Detection, Classification, Tracking, and Behavioral Analysis [2.6341839987582345]
  本稿では,高度無人航空機(UAV)による交通監視システムについて紹介する。 実際の、制約のない都市環境での正確な車両検出、分類、追跡、行動分析を行うことができる。
  論文  参考訳（メタデータ） (2025-09-04T19:19:25Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning [0.18148496440453665]
  橋は、土木インフラの重要な要素として、劣化の影響をますます受けている。 ディープラーニングの最近の進歩は、継続的かつ自動化された監視への進歩を可能にしている。 構造的健康モニタリング(SHM)センサネットワークを用いた,継続的交通監視のための完全自動ディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-23T18:27:14Z)
• Explainable Machine Learning for Cyberattack Identification from Traffic Flows [5.834276858232939]
  トラフィックネットワークを用いて,半現実的な環境下でのサイバー攻撃をシミュレートし,破壊パターンを解析する。 深層学習に基づく異常検出システムを開発し、最も長い停止時間と全ジャム距離が妥協信号の重要な指標であることを実証した。 この作業は、AI駆動のトラフィックセキュリティを強化し、スマートトランスポートシステムの検出精度と信頼性の両方を改善します。
  論文  参考訳（メタデータ） (2025-05-02T17:34:14Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。