論文の概要: Data-Driven Analysis of Crash Patterns in SAE Level 2 and Level 4 Automated Vehicles Using K-means Clustering and Association Rule Mining
- arxiv url: http://arxiv.org/abs/2512.22589v2
- Date: Fri, 02 Jan 2026 16:28:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 13:15:27.580465
- Title: Data-Driven Analysis of Crash Patterns in SAE Level 2 and Level 4 Automated Vehicles Using K-means Clustering and Association Rule Mining
- Title（参考訳）: K平均クラスタリングとアソシエーションルールマイニングを用いたSAEレベル2およびレベル4自動車両のクラッシュパターンのデータ駆動解析
- Authors: Jewel Rana Palit, Vijayalakshmi K Kumarasamy, Osama A. Osman,
- Abstract要約: 自動走行車(AV)は、人間の運転ミスを低減または排除し、交通安全を高め、持続可能な移動性をサポートする。
近年、衝突データにより、AVの挙動が予測される安全結果から逸脱し、混在する交通環境における技術の安全性と運用上の信頼性への懸念が高まっている。
本研究は、米国高速道路交通安全局(NHTSA)による2500以上のAV事故記録を分析し、SAEレベル2と4をカバーし、基礎となるクラッシュのダイナミクスを明らかにする。
- 参考スコア（独自算出の注目度）: 0.17205106391379021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated Vehicles (AV) hold potential to reduce or eliminate human driving errors, enhance traffic safety, and support sustainable mobility. Recently, crash data has increasingly revealed that AV behavior can deviate from expected safety outcomes, raising concerns about the technology's safety and operational reliability in mixed traffic environments. While past research has investigated AV crash, most studies rely on small-size California-centered datasets, with a limited focus on understanding crash trends across various SAE Levels of automation. This study analyzes over 2,500 AV crash records from the United States National Highway Traffic Safety Administration (NHTSA), covering SAE Levels 2 and 4, to uncover underlying crash dynamics. A two-stage data mining framework is developed. K-means clustering is first applied to segment crash records into 4 distinct behavioral clusters based on temporal, spatial, and environmental factors. Then, Association Rule Mining (ARM) is used to extract interpretable multivariate relationships between crash patterns and crash contributors including lighting conditions, surface condition, vehicle dynamics, and environmental conditions within each cluster. These insights provide actionable guidance for AV developers, safety regulators, and policymakers in formulating AV deployment strategies and minimizing crash risks.
- Abstract（参考訳）: 自動走行車(AV)は、人間の運転ミスを低減または排除し、交通安全を強化し、持続可能な移動をサポートする。
近年、衝突データにより、AVの挙動が予測される安全結果から逸脱し、混在する交通環境における技術の安全性と運用上の信頼性への懸念が高まっている。
過去の研究はAVクラッシュを調査してきたが、ほとんどの研究は小型のカリフォルニア中心のデータセットに依存しており、さまざまなSAEレベルの自動化におけるクラッシュトレンドの理解に限定している。
本研究は、米国高速道路交通安全局(NHTSA)による2500以上のAV事故記録を分析し、SAEレベル2と4をカバーする。
2段階のデータマイニングフレームワークを開発した。
K平均クラスタリングは、まず、時間的、空間的、環境的要因に基づいて、クラッシュレコードを4つの異なる行動クラスタに分割するために適用される。
次に、アソシエーションルールマイニング(ARM)を用いて、各クラスタ内の照明条件、表面条件、車両力学、環境条件を含む、クラッシュパターンとクラッシュコントリビュータの間の解釈可能な多変量関係を抽出する。
これらの洞察は、AVデプロイメント戦略の策定とクラッシュリスクの最小化において、AV開発者、安全規制当局、および政策立案者に実行可能なガイダンスを提供する。
関連論文リスト
- SAVeD: A First-Person Social Media Video Dataset for ADAS-equipped vehicle Near-Miss and Crash Event Analyses [0.7874708385247353]
本稿では,ソーシャルメディアコンテンツから収集した大規模ビデオデータセットであるSAVeDを紹介する。
SAVEDは2,119人のファースト・パーソン・ビデオ、様々な場所でのADAS車両の運用、照明条件、気象シナリオを撮影する。
このデータセットには、衝突、回避操作、解脱のためのビデオフレームレベルのアノテーションが含まれており、知覚と意思決定の失敗の両方を分析することができる。
論文 参考訳（メタデータ） (2025-12-19T15:58:52Z) - 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) - 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) - Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
本研究は一般サロゲート安全対策(GSSM)を紹介する。
GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。
複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。
即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
論文 参考訳（メタデータ） (2025-05-19T07:22:32Z) - Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。
飲酒運転が深刻な事故の要因となっている。
TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
論文 参考訳（メタデータ） (2025-05-18T21:02:30Z) - Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - 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) - Vehicle-group-based Crash Risk Prediction and Interpretation on Highways [8.703173025279431]
本研究では,新しい車両群に基づくリスク分析手法について検討し,VGの特徴を考慮したリスク進化機構について検討する。
衝突型車両群をVGに分類する手法を提案し, 付近の車両の異常行動に対する応答を評価した。
次に、ロジスティック回帰とグラフニューラルネットワーク(GNN)を使用して、集約および非集約されたVG情報を使用して、VGリスクを予測する。
論文 参考訳（メタデータ） (2024-02-19T07:47:23Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - 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) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z)
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。