論文の概要: Predicting Time Pressure of Powered Two-Wheeler Riders for Proactive Safety Interventions

• arxiv url: http://arxiv.org/abs/2601.03173v1
• Date: Tue, 06 Jan 2026 16:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:13.031032
• Title: Predicting Time Pressure of Powered Two-Wheeler Riders for Proactive Safety Interventions
• Title（参考訳）: アクティブ・セーフティ・インターベンションのためのパワード2輪輪の時間圧力予測
• Authors: Sumit S. Shevtekar, Chandresh K. Maurya, Gourab Sil, Subasish Das,
• Abstract要約: タイムプレッシャーは、パワード2輪ライダーの危険な操縦とクラッシュの傾向に重大な影響を及ぼす。 本研究では,No, Low, High Time Pressure条件下で51人の参加者による153回の乗馬から129,000以上のラベル付き多変量時系列の大規模データセットを提案する。 我々の経験的分析によると、高圧は48%の速度を誘導し、36.4%の速度可変性、58%の交差点でのリスクの高い旋回、36%の急ブレーキ、50%の後部ブレーキ力と非時間圧力を誘導する。
• 参考スコア（独自算出の注目度）: 0.8272083537040181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time pressure critically influences risky maneuvers and crash proneness among powered two-wheeler riders, yet its prediction remains underexplored in intelligent transportation systems. We present a large-scale dataset of 129,000+ labeled multivariate time-series sequences from 153 rides by 51 participants under No, Low, and High Time Pressure conditions. Each sequence captures 63 features spanning vehicle kinematics, control inputs, behavioral violations, and environmental context. Our empirical analysis shows High Time Pressure induces 48% higher speeds, 36.4% greater speed variability, 58% more risky turns at intersections, 36% more sudden braking, and 50% higher rear brake forces versus No Time Pressure. To benchmark this dataset, we propose MotoTimePressure, a deep learning model combining convolutional preprocessing, dual-stage temporal attention, and Squeeze-and-Excitation feature recalibration, achieving 91.53% accuracy and 98.93% ROC AUC, outperforming eight baselines. Since time pressure cannot be directly measured in real time, we demonstrate its utility in collision prediction and threshold determination. Using MTPS-predicted time pressure as features, improves Informer-based collision risk accuracy from 91.25% to 93.51%, approaching oracle performance (93.72%). Thresholded time pressure states capture rider cognitive stress and enable proactive ITS interventions, including adaptive alerts, haptic feedback, V2I signaling, and speed guidance, supporting safer two-wheeler mobility under the Safe System Approach.
• Abstract（参考訳）: 時間圧は、動力を持つ二輪車ライダーの危険な操縦とクラッシュの傾向に重大な影響を及ぼすが、その予測は知的輸送システムでは未解明のままである。 本研究では,No, Low, High Time Pressure条件下で51人の参加者による153回の乗馬から129,000以上のラベル付き多変量時系列の大規模データセットを提案する。 各シーケンスは、車両キネマティクス、制御入力、行動違反、環境コンテキストにまたがる63の特徴をキャプチャする。 我々の経験的分析によると、高圧は48%の速度を誘導し、36.4%の速度可変性、58%の交差点でのリスクの高い旋回、36%の急ブレーキ、50%の後部ブレーキ力と非時間圧力を誘導する。 このデータセットをベンチマークするために,畳み込み前処理,2段階の時間的注意,Squeeze-and-Excitation機能再構成を組み合わせたディープラーニングモデルであるMotoTimePressureを提案し,精度91.53%,ROC AUC98.93%を達成し,8つのベースラインを上回った。 時間圧を直接リアルタイムで測定できないため,衝突予測としきい値決定においてその有用性を示す。 MTPS予測時間圧力を特徴として、インフォーマーベースの衝突リスクの精度を91.25%から93.51%に改善し、オラクルのパフォーマンス(93.72%)に近づいた。 保持された時間圧力状態は、ライダーの認知的ストレスを捕捉し、適応的な警告、触覚フィードバック、V2Iシグナリング、スピードガイダンスを含む積極的な介入を可能にする。

関連論文リスト

• Commercial Vehicle Braking Optimization: A Robust SIFT-Trajectory Approach [6.751326589596112]
  不正確な制御領域ネットワーク(CAN)信号による「ゼロスピードブレーキ」問題に対処するために、視覚に基づく軌道解析ソリューションを提案する。 このアルゴリズムはNVIDIA Jetson AGX Xavierプラットフォームを使用して、ブラインドスポットカメラからシーケンシャルなビデオフレームを処理する。 現場での展開では、偽のブレーキイベントが89%減少し、緊急ブレーキの成功率は100%、故障率は5%以下である。
  論文  参考訳（メタデータ） (2025-12-21T05:06:16Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  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。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Sequence-Preserving Dual-FoV Defense for Traffic Sign and Light Recognition in Autonomous Vehicles [0.07646713951724012]
  本研究では,米国における信号機と信号機のための二重FoV,シーケンス保存型ロバストネスフレームワークを提案する。 実生活における異常検出の応用に関する一連の実験において、本研究では、統一された3層防御スタックフレームワークの概要を概説する。
  論文  参考訳（メタデータ） (2025-10-03T00:43:25Z)
• Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
  この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。 主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。 主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
  論文  参考訳（メタデータ） (2025-08-15T14:31:26Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• Real-time Traffic Accident Anticipation with Feature Reuse [2.9803250365852443]
  本稿では,1つの事前学習対象検出器の中間機能を利用する軽量なフレームワークを提案する。 RAREは、DADとCDベンチマークの既存のアプローチよりも4～8倍のスピードアップを実現している。 複雑さが減ったにもかかわらず、最先端の平均精度を達成し、瞬時に衝突を確実に予測する。
  論文  参考訳（メタデータ） (2025-05-23T04:09:26Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。