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
• 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

• Collision Snapshot Guided Time-Reversed Safety-Critical Scenario Generation [2.7044962986457945]
  アンダーライン・アンダーライン・アンダーライン アンダーライン・アンダーライン・リバース・セーフティ・クリティカル・シナリオ・ジェネレーション (COSTER) について紹介する。 COSTERは、学習前のトラフィックを活用して、妥当な衝突時間と位置を決定するフレームワークである。 実験の結果、COSTERは既存の手法よりも可視性、多様性、データ効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-09-06T07:18:07Z)
• Multimodal Trajectory Planning for Surface Vehicles using Turning Circle-based Control Barrier Functions [0.0]
  提案手法は,モデル予測制御(MPC)と回転円型制御バリア関数(TC-CBF)を統合する。 TC-CBFは、表面車両の非ホロノミック運動と有限回転能力を説明する。 その幾何学的定式化は、車両の旋回円に従って実現可能な回避領域を特定し、異なる左右旋回回避モードを生成する。
  論文  参考訳（メタデータ） (2026-08-20T01:18:07Z)
• Unifying Decision-Making and Trajectory-Planning in Unsignalized Intersections Using Time-Varying Potential Fields [0.0]
  本稿では,自動走行車のためのDM(Decision-Making)とTP(Trjectory Planning)を統合した新しいフレームワークを提案する。 提案手法は, DMとTPを効果的に統一し, 確実かつ安全な参照軌道の生成を確実にする。
  論文  参考訳（メタデータ） (2026-07-15T09:17:54Z)
• VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
  適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
  論文  参考訳（メタデータ） (2026-05-02T02:13:11Z)
• V-STC: A Time-Efficient Multi-Vehicle Coordinated Trajectory Planning Approach [63.475658003162266]
  本稿では, 可変時間ステップ車回廊(STC-STC)と呼ばれる新しいアプローチを提案する。 各自動運転車(AV)用のV-STCを構築するために最適化モデルが定式化される 廊下の空間的位置と時間ステップを可変させることで、構築されたV-STCは各AVの時間的占有を減少させる。 本手法は, 既存のSTC手法と比較して, 安全な多車両協調を実現し, より時間効率の良い動作を実現する。
  論文  参考訳（メタデータ） (2026-04-24T03:55:32Z)
• 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)
• Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation [0.24578723416255746]
  強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。 そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。 提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-09-30T10:54:02Z)
• 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)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• 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。

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。