論文の概要: Vehicle behaviour estimation for abnormal event detection using distributed fiber optic sensing

• arxiv url: http://arxiv.org/abs/2602.12591v1
• Date: Fri, 13 Feb 2026 04:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.839361
• Title: Vehicle behaviour estimation for abnormal event detection using distributed fiber optic sensing
• Title（参考訳）: 分散光ファイバ光センサを用いた異常事象検出のための車両挙動推定
• Authors: Hemant Prasad, Daisuke Ikefuji, Shin Tominaga, Hitoshi Sakurai, Manabu Otani,
• Abstract要約: 本稿では,道路沿いの車線変化をトラックし,車線変化を検出することによって,単車線異常を検出する手法を提案する。 実交通データを用いて提案手法の評価を行ったところ, 異常の有無を示す車線変化検出イベントの80%の精度が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The distributed fiber-optic sensing (DFOS) system is a cost-effective wide-area traffic monitoring technology that utilizes existing fiber infrastructure to effectively detect traffic congestions. However, detecting single-lane abnormalities, that lead to congestions, is still a challenge. These single-lane abnormalities can be detected by monitoring lane change behaviour of vehicles, performed to avoid congestion along the monitoring section of a road. This paper presents a method to detect single-lane abnormalities by tracking individual vehicle paths and detecting vehicle lane changes along a section of a road. We propose a method to estimate the vehicle position at all time instances and fit a path using clustering techniques. We detect vehicle lane change by monitoring any change in spectral centroid of vehicle vibrations by tracking a reference vehicle along a highway. The evaluation of our proposed method with real traffic data showed 80% accuracy for lane change detection events that represent presence of abnormalities.
• Abstract（参考訳）: 分散ファイバ光センシング(DFOS)システムは、既存のファイバインフラを利用して交通渋滞を効果的に検出する、費用対効果の高い広域交通監視技術である。 しかし、渋滞につながる単車線異常を検出することは依然として困難である。 これらの単車線異常は、道路の監視部に沿って渋滞を避けるために行われた車両の車線変化挙動の監視により検出することができる。 本稿では,道路沿いの車線変化をトラックし,車線変化を検出することによって,単車線異常を検出する手法を提案する。 本稿では,常に車両の位置を推定し,クラスタリング手法を用いて経路に適合する手法を提案する。 高速道路沿いの基準車両を追跡することにより、車両振動のスペクトルセントロイド変化を監視して車線変化を検出する。 実交通データを用いて提案手法の評価を行ったところ, 異常の有無を示す車線変化検出イベントの80%の精度が得られた。

関連論文リスト

• Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles [0.7734726150561086]
  本研究では,外的観察技術を用いて障害・障害の指標を検出する新しい運転行動分類システムを提案する。 提案フレームワークは, リアルタイム物体追跡, 横変位解析, レーン位置モニタリングなど, 高度なコンピュータビジョン手法を用いている。 車両間通信に依存するシステムとは異なり、このビジョンベースのアプローチは非接続車両の行動解析を可能にする。
  論文  参考訳（メタデータ） (2025-09-11T11:05:14Z)
• 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)
• Predicting Road Surface Anomalies by Visual Tracking of a Preceding Vehicle [1.757194730633422]
  先行車両の視覚的追跡により路面異常を検出する新しい手法を提案する。 この方法は万能で、穴、バンプ、破片など、あらゆる種類の道路異常を予測できる。
  論文  参考訳（メタデータ） (2025-05-07T13:17:05Z)
• Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques [0.0]
  本研究では,高速道路センサからの交通流データの解析にクラスタリング手法を用いる。 複数のクラスタリング手法、すなわちパーティショニングと階層的手法を、様々な時系列表現と類似度尺度と組み合わせて検討する。 本手法は高速道路センサのリアルタイムデータに適用し,異なるクラスタリングフレームワークが交通パターン認識に与える影響を評価する。
  論文  参考訳（メタデータ） (2025-04-01T15:09:39Z)
• 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)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
  本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。 提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。 提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
  論文  参考訳（メタデータ） (2022-08-12T19:07:20Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)

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。