Fugu-MT 論文翻訳(概要): Improvement of Collision Avoidance in Cut-In Maneuvers Using Time-to-Collision Metrics

論文の概要: Improvement of Collision Avoidance in Cut-In Maneuvers Using Time-to-Collision Metrics

arxiv url: http://arxiv.org/abs/2511.21280v1
Date: Wed, 26 Nov 2025 11:11:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-27 18:37:59.070623
Title: Improvement of Collision Avoidance in Cut-In Maneuvers Using Time-to-Collision Metrics
Title（参考訳）: 時間-衝突距離を用いたカットイン型マニキュアの衝突回避効果の改善
Authors: Jamal Raiyn,
Abstract要約: 本稿では,TTC(Time-to-Collision)メトリクスを利用した衝突回避システムを提案する。深層学習とTTC計算を統合することで、システムは潜在的な衝突を予測し、適切な回避行動を決定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a new strategy for collision avoidance system leveraging Time-to-Collision (TTC) metrics for handling cut-in scenarios, which are particularly challenging for autonomous vehicles (AVs). By integrating a deep learning with TTC calculations, the system predicts potential collisions and determines appropriate evasive actions compared to traditional TTC -based approaches.
Abstract（参考訳）: 本稿では,自動走行車(AV)において特に困難なカットインシナリオを扱うために,TTC(Time-to-Collision)メトリクスを利用した衝突回避システムを提案する。深層学習とTTC計算を統合することで、システムは潜在的な衝突を予測し、従来のTTCベースのアプローチと比較して適切な回避行動を決定する。

関連論文リスト

Controllable Collision Scenario Generation via Collision Pattern Prediction [22.736678908526653]
制御可能な衝突シナリオ生成を導入し、ユーザが特定した衝突タイプとTTA(Time-to-accident)を実現するトラジェクトリを作成する。本研究では,衝突パターンを予測するフレームワークを提案する。衝突パターンは,衝突時のエゴと敵車両の空間的構成を捉える,コンパクトで解釈可能な表現である。実験により, 衝突速度と制御性の両方において, 本手法が強いベースラインより優れていることが示された。
論文参考訳（メタデータ） (2025-10-14T06:56:33Z)
Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文参考訳（メタデータ） (2025-09-24T13:27:35Z)
AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics [8.557684007368046]
本稿では,AIを利用した対話型アクティブ安全分析フレームワークを提案する。このフレームワークは、道路勾配を考慮した自転車モデルを用いて、車両のダイナミクスを正確に捉える。並行して、ハイパーグラフベースのAIモデルが開発され、環境トラフィックの確率的軌跡を予測する。
論文参考訳（メタデータ） (2025-05-01T05:46:34Z)
Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文参考訳（メタデータ） (2025-03-14T17:59:41Z)
Model-free Learning of Corridor Clearance: A Near-term Deployment Perspective [5.39179984304986]
コネクテッド・アンド・オートマチック・ビークル(CAV)技術の公衆衛生応用は、交通を間接的に調整することで救急医療サービス(EMS)の応答時間を短縮することである。このトピックに関する既存の研究は、EMS車両の故障が通常の交通に与える影響を見落とし、100%CAVの侵入を仮定し、交差点におけるリアルタイム交通信号タイミングデータと待ち行列長に依存し、最適なモデルに基づくCAV制御戦略を導出する際の交通設定について様々な仮定を行う。これらの課題を克服し、短期的実世界の適用性を高めるために、深部強化学習(DRL)を用いたCAV制御戦略設計のためのモデルフリーアプローチを提案する。
論文参考訳（メタデータ） (2023-12-16T06:08:53Z)
Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文参考訳（メタデータ） (2023-03-12T16:23:27Z)
Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks [0.0]
競合指標は、過去の軌跡に基づく紛争と予測された軌跡に基づく紛争に分類することができる。予測に基づく競合の精度は、軌道予測アルゴリズムの精度に依存する。シーケンシャル・ツー・シーケンシャル・リカレント・ニューラル・ニューラルネットワークは、最大3秒前に将来の車両軌道を逐次予測するために開発された。
論文参考訳（メタデータ） (2022-10-13T17:49:18Z)
Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文参考訳（メタデータ） (2021-12-09T18:03:27Z)
Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文参考訳（メタデータ） (2021-06-17T02:40:18Z)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。