論文の概要: Advanced Tool for Traffic Crash Analysis: An AI-Driven Multi-Agent Approach to Pre-Crash Reconstruction

• arxiv url: http://arxiv.org/abs/2511.10853v1
• Date: Thu, 13 Nov 2025 23:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.364494
• Title: Advanced Tool for Traffic Crash Analysis: An AI-Driven Multi-Agent Approach to Pre-Crash Reconstruction
• Title（参考訳）: 交通事故解析のための高度なツール:AI駆動型マルチエージェントアプローチによる前クラッシュの再構築
• Authors: Gerui Xu, Boyou Chen, Huizhong Guo, Dave LeBlanc, Ananna Ahmed, Zhaonan Sun, Shan Bao,
• Abstract要約: 本研究では,事故前のシナリオを再構築し,断片化された衝突データから車両の挙動を推定するマルチエージェントAIフレームワークを開発する。 フェーズIはマルチモーダル入力から自然言語によるクラッシュ再構成を生成する。 フェーズIIは、これらの再構成と時間的イベントデータレコーダ(EDR)を組み合わせることで、詳細なクラッシュ推論を行う。
• 参考スコア（独自算出の注目度）: 2.0456612910829306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic collision reconstruction traditionally relies on human expertise, often yielding inconsistent results when analyzing incomplete multimodal data. This study develops a multi-agent AI framework that reconstructs pre-crash scenarios and infers vehicle behaviors from fragmented collision data. We present a two-phase collaborative framework combining reconstruction and reasoning phases. The system processes 277 rear-end lead vehicle deceleration (LVD) collisions from the Crash Investigation Sampling System, integrating textual crash reports, structured tabular data, and visual scene diagrams. Phase I generates natural-language crash reconstructions from multimodal inputs. Phase II performs in-depth crash reasoning by combining these reconstructions with temporal Event Data Recorder (EDR).For validation, we applied it to all LVD cases, focusing on a subset of 39 complex crashes where multiple EDR records per collision introduced ambiguity (e.g., due to missing or conflicting data).The evaluation of the 39 LVD crash cases revealed our framework achieved perfect accuracy across all test cases, successfully identifying both the most relevant EDR event and correctly distinguishing striking versus struck vehicles, surpassing the 92% accuracy achieved by human researchers on the same challenging dataset. The system maintained robust performance even when processing incomplete data, including missing or erroneous EDR records and ambiguous scene diagrams. This study demonstrates superior AI capabilities in processing heterogeneous collision data, providing unprecedented precision in reconstructing impact dynamics and characterizing pre-crash behaviors.
• Abstract（参考訳）: 交通衝突の再建は伝統的に人間の専門知識に依存しており、不完全なマルチモーダルデータを解析する際にはしばしば矛盾する結果をもたらす。 本研究では,事故前のシナリオを再構築し,断片化された衝突データから車両の挙動を推定するマルチエージェントAIフレームワークを開発する。 再構成と推論を併用した二相協調フレームワークを提案する。 このシステムは、クラッシュ調査サンプリングシステム(Crash Investigation Sampling System)からの277の後方リード車両減速(LVD)衝突を処理し、テキストクラッシュレポート、構造化表データ、および視覚シーン図を統合する。 フェーズIはマルチモーダル入力から自然言語によるクラッシュ再構成を生成する。 フェーズIIは、これらの再構成と一時的なイベントデータレコーダ(EDR)を組み合わせることで、詳細なクラッシュ推論を行う。 検証のために全LVD症例に適用し,衝突1回当たりの複数のEDRレコードが曖昧さ(例えば,欠落や矛盾したデータ)を導入した39の複合クラッシュのサブセットに着目した。 39のLVDクラッシュ事例を評価したところ、我々のフレームワークはすべてのテストケースで完全な精度を達成し、最も関連性の高いEDRイベントを識別し、衝突車と衝突車の両方を正確に識別し、同じ困難データセット上で人間研究者が達成した92%の精度を上回りました。 システムは不完全なデータを処理する場合でも、不完全なEDRレコードや曖昧なシーン図など、堅牢な性能を維持した。 本研究では、異種衝突データの処理において優れたAI能力を示し、衝撃力学の再構築や事前クラッシュ動作のキャラクタリゼーションにおいて前例のない精度を提供する。

関連論文リスト

• ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving [17.936492070548]
  既存の手法では、センサーの故障、環境障害、データ不完全性といった課題を克服し、理想的な条件を想定することが多い。 本研究は,事故検出と予測のための新しいアプローチであるROARを紹介する。 ROARは、自己適応型オブジェクト認識モジュールである離散ウェーブレット変換(DWT)と、これらの課題に取り組むための動的焦点損失を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-09T04:55:37Z)
• From Narratives to Probabilistic Reasoning: Predicting and Interpreting Drivers' Hazardous Actions in Crashes Using Large Language Model [3.3457493284891338]
  2車線の事故は、道路事故の約70%を占める。 Driver Hazardous Action (DHA)データは、一貫性のない、労働集約的な手動コーディングプラクティスによって制限される。 本稿では,微調整された大規模言語モデルを利用して,テキストによるクラッシュ物語からDHAを自動的に推測する,革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-14T21:35:47Z)
• Real-time Accident Anticipation for Autonomous Driving Through Monocular Depth-Enhanced 3D Modeling [18.071748815365005]
  我々は、現在のSOTA(State-of-the-art)2Dベースの手法を超えて予測能力を著しく向上させる革新的なフレームワークであるAccNetを導入する。 本稿では,交通事故データセットにおけるスキュードデータ分散の課題に対処するため,早期予測のためのバイナリ適応損失(BA-LEA)を提案する。
  論文  参考訳（メタデータ） (2024-09-02T13:46:25Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• AccidentBlip: Agent of Accident Warning based on MA-former [24.81148840857782]
  AccidentBlipは視覚のみのフレームワークで、ビデオの各フレームを処理するために自設計のMotion Accident Transformer(MA-former)を使用している。 AccidentBlipは、DeepAccidentデータセット上の事故検出と予測タスクの両方のパフォーマンスを達成する。 また、V2VおよびV2Xシナリオにおける現在のSOTAメソッドよりも優れており、複雑な現実世界環境を理解するのに優れた能力を示している。
  論文  参考訳（メタデータ） (2024-04-18T12:54:25Z)
• 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)
• Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
  事故が起こる前の事故と近距離事故には差はない。 我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。 提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
  論文  参考訳（メタデータ） (2023-01-06T22:04:47Z)

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。