論文の概要: Network Level Evaluation of Hangup Susceptibility of HRGCs using Deep Learning and Sensing Techniques: A Goal Towards Safer Future

• arxiv url: http://arxiv.org/abs/2512.12832v1
• Date: Sun, 14 Dec 2025 20:25:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.465111
• Title: Network Level Evaluation of Hangup Susceptibility of HRGCs using Deep Learning and Sensing Techniques: A Goal Towards Safer Future
• Title（参考訳）: 深層学習とセンシング技術を用いたHRGCのハングアップ感受性のネットワークレベル評価:より安全な未来に向けた目標
• Authors: Kaustav Chatterjee, Joshua Li, Kundan Parajulee, Jared Schwennesen,
• Abstract要約: ステッププロファイルのハイウェイ鉄道グレードクロスは、低地上クリアランスの車両に安全上の危険をもたらす。 本研究は,HRGCのハングアップ感受性のネットワークレベル評価のためのフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.43748379918040853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Steep profiled Highway Railway Grade Crossings (HRGCs) pose safety hazards to vehicles with low ground clearance, which may become stranded on the tracks, creating risks of train vehicle collisions. This research develops a framework for network level evaluation of hangup susceptibility of HRGCs. Profile data from different crossings in Oklahoma were collected using both a walking profiler and the Pave3D8K Laser Imaging System. A hybrid deep learning model, combining Long Short Term Memory (LSTM) and Transformer architectures, was developed to reconstruct accurate HRGC profiles from Pave3D8K Laser Imaging System data. Vehicle dimension data from around 350 specialty vehicles were collected at various locations across Oklahoma to enable up to date statistical design dimensions. Hangup susceptibility was analyzed using three vehicle dimension scenarios (a) median dimension (median wheelbase and ground clearance), (b) 75 25 percentile dimension (75 percentile wheelbase, 25 percentile ground clearance), and (c) worst case dimension (maximum wheelbase and minimum ground clearance). Results indicate 36, 62, and 67 crossings at the highest hangup risk levels under these scenarios, respectively. An ArcGIS database and a software interface were developed to support transportation agencies in mitigating crossing hazards. This framework advances safety evaluation by integrating next generation sensing, deep learning, and infrastructure datasets into practical decision support tools.
• Abstract（参考訳）: HRGC(Highway Railway Grade Crossings)は、地上クリアランスの低い車両に安全上の危険をもたらし、線路上に立ち往生し、車両衝突のリスクを生じさせる可能性がある。 本研究は,HRGCのハングアップ感受性のネットワークレベル評価のためのフレームワークを開発する。 オクラホマ州の異なる交差点からのプロファイルデータを歩行プロファイラとPave3D8Kレーザーイメージングシステムを用いて収集した。 Pave3D8Kレーザーイメージングシステムデータから正確なHRGCプロファイルを再構成するために,Long Short Term Memory(LSTM)とTransformerアーキテクチャを組み合わせたハイブリッドディープラーニングモデルを開発した。 約350台の特殊車両から得られた車両の寸法データはオクラホマ州各地で収集され、最新の統計設計の寸法を実現した。 3次元シナリオを用いたハングアップ感受性解析 (a)中型寸法(中型ホイールベース、グラウンドクリアランス) (b)7525%の寸法(75パーセントのホイールベース、25パーセントのグラウンドクリアランス)、 (c)最悪のケースディメンション(最大ホイールベース、最小グラウンドクリアランス) その結果,これらのシナリオでは,最高ハングアップリスクレベルにおいて,36回,62回,67回の交差が認められた。 ArcGISデータベースとソフトウェアインターフェースは、横断的危険を緩和する交通機関を支援するために開発された。 このフレームワークは,次世代のセンシング,ディープラーニング,インフラストラクチャデータセットを実用的な意思決定支援ツールに統合することにより,安全性評価を向上する。

関連論文リスト

• Hybrid LSTM-Transformer Models for Profiling Highway-Railway Grade Crossings [0.0]
  ハイウェイ鉄道グレードクロス(HRGC)は、ハングアップの可能性があるため、ハイウェイ車両に安全リスクをもたらす。 HRGCプロファイルを計測する従来の方法は、コストがかかり、時間がかかり、トラフィックが破壊的であり、現在の安全上の課題である。 本研究はHRGCプロファイル測定のための高度で費用対効果の高い技術と革新的なモデリング手法を用いた。
  論文  参考訳（メタデータ） (2025-07-31T06:44:44Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• 3DTTNet: Multimodal Fusion-Based 3D Traversable Terrain Modeling for Off-Road Environments [10.521569910467072]
  オフロード環境は、自動運転車にとって重要な課題である。 本稿では,セマンティックシーンの完了によって,横断可能な領域認識を実現する。 3DTTNetと呼ばれる新しいマルチモーダル手法が提案されている。
  論文  参考訳（メタデータ） (2024-12-11T08:36:36Z)
• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety [0.11999555634662631]
  RHGCの事故と遅れは、アメリカ合衆国連邦鉄道管理局(FRA)に重大な安全上の懸念をもたらす。 本研究では、機械学習とコンピュータビジョン技術を活用してRHGCの安全性を高めるインテリジェントシステムを提案する。
  論文  参考訳（メタデータ） (2024-03-17T02:15:15Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。