論文の概要: Calibrating Adaptive Smoothing Methods for Freeway Traffic Reconstruction

• arxiv url: http://arxiv.org/abs/2602.02072v1
• Date: Mon, 02 Feb 2026 13:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.16083
• Title: Calibrating Adaptive Smoothing Methods for Freeway Traffic Reconstruction
• Title（参考訳）: 高速道路交通再建のための適応平滑化手法の校正
• Authors: Junyi Ji, Derek Gloudemans, Gergely Zachár, Matthew Nice, William Barbour, Daniel B. Work,
• Abstract要約: 適応平滑化法(Adaptive smoothing method, ASM)は、交通状態の再構築に広く用いられている手法である。 本稿では,現実の地上真実データを用いたエンドツーエンドキャリブレーションを特徴とするASMのPython実装について述べる。
• 参考スコア（独自算出の注目度）: 3.9440066871968447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The adaptive smoothing method (ASM) is a widely used approach for traffic state reconstruction. This article presents a Python implementation of ASM, featuring end-to-end calibration using real-world ground truth data. The calibration is formulated as a parameterized kernel optimization problem. The model is calibrated using data from a full-state observation testbed, with input from a sparse radar sensor network. The implementation is developed in PyTorch, enabling integration with various deep learning methods. We evaluate the results in terms of speed distribution, spatio-temporal error distribution, and spatial error to provide benchmark metrics for the traffic reconstruction problem. We further demonstrate the usability of the calibrated method across multiple freeways. Finally, we discuss the challenges of reproducibility in general traffic model calibration and the limitations of ASM. This article is reproducible and can serve as a benchmark for various freeway operation tasks.
• Abstract（参考訳）: 適応平滑化法(Adaptive smoothing method, ASM)は、交通状態の再構築に広く用いられている手法である。 本稿では,現実の地上真実データを用いたエンドツーエンドキャリブレーションを特徴とするASMのPython実装について述べる。 キャリブレーションはパラメータ化カーネル最適化問題として定式化される。 モデルは、スパースレーダーセンサーネットワークからの入力とともに、フル状態観測テストベッドからのデータを用いて校正される。 この実装はPyTorchで開発され、様々なディープラーニングメソッドとの統合を可能にする。 本研究では,速度分布,時空間誤差分布,空間誤差の観点から評価を行い,交通再建問題に対するベンチマーク指標を提供する。 さらに、複数の高速道路をまたいだ校正手法のユーザビリティを実証する。 最後に、一般交通モデルの校正における再現性の問題とASMの限界について論じる。 この記事は再現可能であり、様々な高速道路運用タスクのベンチマークとして機能する。

関連論文リスト

• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
  トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。 本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。 ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2025-02-17T09:17:01Z)
• ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
  荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。 累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T02:44:27Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
  自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。 本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。 我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
  論文  参考訳（メタデータ） (2023-04-21T08:50:52Z)
• TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside LiDARs through Trajectory Matching [12.980324010888664]
  我々は,道路沿いのLiDARを時間と空間の両方で自動調整できる最初のシステムであるTrajMatchを提案する。 実験の結果,TrajMatchは空間キャリブレーション誤差が10cm未満であり,時間キャリブレーション誤差が1.5ms未満であることがわかった。
  論文  参考訳（メタデータ） (2023-02-04T12:27:01Z)
• Rethinking Efficient Lane Detection via Curve Modeling [37.45243848960598]
  提案手法は,LLAMASベンチマークにおける最先端性能を実現する。 また、TuSimpleとCUデータセットに対して、低レイテンシ (> 150 FPS) と小さなモデルサイズ (10M) の両方を維持しながら、良好な精度を実現している。
  論文  参考訳（メタデータ） (2022-03-04T17:00:33Z)
• Fast and Robust Ground Surface Estimation from LIDAR Measurements using Uniform B-Splines [3.337790639927531]
  自動走行車におけるLIDAR測定から地上面を高速かつ頑健に推定する手法を提案する。 本稿では,線形問題として再計算可能なLS最適化問題として推定過程をモデル化する。 実世界のシナリオにおける研究車両のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-03-02T15:26:51Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Efficient Real-Time Radial Distortion Correction for UAVs [1.7149364927872015]
  慣性測定ユニット(IMU)を備えた無人航空機(UAV)の車載半径歪み補正のための新しいアルゴリズムを提案する。 このアプローチは校正手順を冗長にし、即時光の交換を可能にする。 焦点長, 半径歪み分布, 運動パラメータをホモグラフから同時に推定する高速で頑健な最小解法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T18:34:56Z)

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。