論文の概要: Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios
- arxiv url: http://arxiv.org/abs/2511.19952v1
- Date: Tue, 25 Nov 2025 05:57:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.291604
- Title: Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios
- Title（参考訳）: 複合シナリオにおける前方衝突警告に対する適応的リスク認識に基づく階層的時空間注意ネットワーク
- Authors: Haoran Hu, Junren Shi, Shuo Jiang, Kun Cheng, Xia Yang, Changhao Piao,
- Abstract要約: 本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。
マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
- 参考スコア（独自算出の注目度）: 7.238050152381639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forward Collision Warning systems are crucial for vehicle safety and autonomous driving, yet current methods often fail to balance precise multi-agent interaction modeling with real-time decision adaptability, evidenced by the high computational cost for edge deployment and the unreliability stemming from simplified interaction models.To overcome these dual challenges-computational complexity and modeling insufficiency-along with the high false alarm rates of traditional static-threshold warnings, this paper introduces an integrated FCW framework that pairs a Hierarchical Spatio-Temporal Attention Network with a Dynamic Risk Threshold Adjustment algorithm. HSTAN employs a decoupled architecture (Graph Attention Network for spatial, cascaded GRU with self-attention for temporal) to achieve superior performance and efficiency, requiring only 12.3 ms inference time (73% faster than Transformer methods) and reducing the Average Displacement Error (ADE) to 0.73m (42.2% better than Social_LSTM) on the NGSIM dataset. Furthermore, Conformalized Quantile Regression enhances reliability by generating prediction intervals (91.3% coverage at 90% confidence), which the DTRA module then converts into timely warnings via a physics-informed risk potential function and an adaptive threshold mechanism inspired by statistical process control.Tested across multi-scenario datasets, the complete system demonstrates high efficacy, achieving an F1 score of 0.912, a low false alarm rate of 8.2%, and an ample warning lead time of 2.8 seconds, validating the framework's superior performance and practical deployment feasibility in complex environments.
- Abstract（参考訳）: 前向き衝突警報システムは車両の安全性と自律運転に欠かせないが、現状の手法では、エッジ配置の計算コストが高く、単純化された相互作用モデルから生じる信頼性の低い計算コストによって証明される、正確なマルチエージェント間相互作用モデリングとリアルタイム決定適応性のバランスをとることができないことが多い。
HSTANは、空間的なグラフアテンションネットワーク(空間的なグラフアテンションネットワーク)を用いて、優れた性能と効率を達成するために、NGSIMデータセット上で平均変位誤差(ADE)を0.73m(Social_LSTMより42.2%良い)に減らし、12.3msの推論時間(Transformerメソッドより73%速い)しか必要としない。
さらに、コンフォーマル化量子回帰(Conformalized Quantile Regression)は、予測間隔(90%の信頼性で91.3%のカバレッジ)を生成して信頼性を高め、DTRAモジュールは物理インフォームドリスクポテンシャル関数と統計的プロセス制御にインスパイアされた適応しきい値メカニズムを介してタイムリーな警告に変換する。
関連論文リスト
- Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks [0.5505634045241287]
既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。
本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。
エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
論文 参考訳（メタデータ） (2025-11-16T15:30:46Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Asynchronous Risk-Aware Multi-Agent Packet Routing for Ultra-Dense LEO Satellite Networks [45.84384086201993]
超高密度LEO星座の出現は、その大規模なスケール、動的トポロジ、大幅な遅延によって駆動される複雑で非同期なネットワーク環境を生み出す。
このユニークな複雑さは、非同期でリスクを認識し、多様でしばしば矛盾する目的を分散的にバランスをとることができる適応的なパケットルーティングアルゴリズムを必要とする。
我々は、イベント駆動型マルチエージェントルーティングフレームワークであるPRIMALを紹介した。
論文 参考訳（メタデータ） (2025-10-31T14:29:08Z) - MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。
ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。
これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
論文 参考訳（メタデータ） (2025-09-22T14:05:23Z) - 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) - STARN-GAT: A Multi-Modal Spatio-Temporal Graph Attention Network for Accident Severity Prediction [0.0]
STARN-GATはマルチモード時空間グラフアテンションネットワークである。
道路ネットワークのトポロジ、時間的トラフィックパターン、環境コンテキストを統合された注意ベースのフレームワークに統合する。
その結果, 高リスク事例の同定におけるモデルの有効性と, リアルタイムかつ安全クリティカルな交通管理システムへの展開の可能性が示された。
論文 参考訳（メタデータ） (2025-07-28T01:00:03Z) - Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks [10.177917426690701]
本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。
異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。
提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
論文 参考訳（メタデータ） (2025-05-02T11:01:00Z) - Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models [39.139025989575686]
本稿では,安全クリティカルな運転シナリオを生成するための大規模言語モデル (LLM) フレームワークについて紹介する。
本モデルでは, 平均最小衝突時間を1.62秒から1.08秒に短縮し, 75%の衝突速度でベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-05-02T03:22:00Z) - VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。
提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
論文 参考訳（メタデータ） (2025-04-14T13:38:00Z) - Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。
車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
論文 参考訳（メタデータ） (2024-06-17T06:16:07Z)
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。