論文の概要: Traffic and weather driven hybrid digital twin for bridge monitoring
- arxiv url: http://arxiv.org/abs/2603.14028v1
- Date: Sat, 14 Mar 2026 17:03:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.55854
- Title: Traffic and weather driven hybrid digital twin for bridge monitoring
- Title（参考訳）: 橋梁監視のための交通・気象駆動型ハイブリッドディジタルツイン
- Authors: Phani Raja Bharath Balijepalli, Bulent Soykan, Veeraraghava Raju Hasti,
- Abstract要約: 既存の交通カメラと天気予報APIを用いたブリッジ条件監視のためのハイブリッドデジタルツインフレームワークが提案されている。
このフレームワークは3つのほぼリアルタイムストリームを融合させる。ブリッジデッキカメラからのYOLOv8コンピュータビジョンは、車両数、交通密度、ロードプロキシを推定する。
このフレームワークは、過酷な気候下での老朽化した高交通量橋の費用対効果予測維持に既存のインフラを活用することを実証している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A hybrid digital twin framework is presented for bridge condition monitoring using existing traffic cameras and weather APIs, reducing reliance on dedicated sensor installations. The approach is demonstrated on the Peace Bridge (99 years in service) under high traffic demand and harsh winter exposure. The framework fuses three near-real-time streams: YOLOv8 computer vision from a bridge-deck camera estimates vehicle counts, traffic density, and load proxies; a Lighthill--Whitham--Richards (LWR) model propagates density $ρ(x,t)$ and detects deceleration-driven shockwaves linked to repetitive loading and fatigue accumulation; and weather APIs provide deterioration drivers including temperature cycling, freeze-thaw activity, precipitation-related corrosion potential, and wind effects. Monte Carlo simulation quantifies uncertainty across traffic-environment scenarios, while Random Forest models map fused features to fatigue indicators and maintenance classification. The framework demonstrates utilizing existing infrastructure for cost-effective predictive maintenance of aging, high-traffic bridges in harsh climates.
- Abstract（参考訳）: 既存の交通カメラと天気予報APIを使用したブリッジ条件監視のためのハイブリッドデジタルツインフレームワークが提示され、専用のセンサーインストールへの依存が軽減される。
このアプローチは、高い交通需要と厳しい冬の露光の下で、平和橋(99年間の運用期間)で実証されている。
ブリッジデッキカメラからのYOLOv8コンピュータビジョンは、車両数、交通密度、負荷プロキシを推定し、Lighthill-Whitham-Richards(LWR)モデルは密度を$ρ(x,t)$で伝搬し、繰り返しの負荷と疲労の蓄積に関連する減速駆動衝撃波を検出し、気象APIは、温度サイクル、凍結ソー活動、降水関連腐食電位、風の影響などの劣化要因を提供する。
モンテカルロシミュレーションは交通環境のシナリオにおける不確実性を定量化し、ランダムフォレストモデルは融合した特徴を疲労指標とメンテナンス分類にマップする。
このフレームワークは、過酷な気候下での老朽化した高交通量橋の費用対効果予測維持に既存のインフラを活用することを実証している。
関連論文リスト
- TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions [17.496577478793906]
既存のデータセットは、しばしば軽い干し草、雨、雪に限られており、極端な気象条件を捉えていない。
このギャップに対処するため,様々な気象条件下での降着車に対する交通サーベイランスベンチマーク(TSBOW)を導入する。
人口密度の高い都市部から32時間以上の実世界の交通データを収集し、TSBOWは48,000以上の手動注釈と320万のセミラベルフレームを含んでいる。
論文 参考訳（メタデータ） (2026-02-05T07:52:37Z) - HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。
HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
論文 参考訳（メタデータ） (2026-02-03T12:12:47Z) - UTA-Sign: Unsupervised Thermal Video Augmentation via Event-Assisted Traffic Signage Sketching [30.849375246607934]
本稿では,低照度環境におけるトラヒックシグナージのためのunsupervised thermal-event video augmentationであるUTA-Signを提案する。
我々は,時間とともに一貫したシグネージ表現のために,熱フレームとイベント信号を融合する二重ブースティング機構を開発した。
提案手法は実世界のシナリオから収集したデータセット上で検証される。
論文 参考訳（メタデータ） (2025-08-28T09:32:51Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - Predicting Electricity Infrastructure Induced Wildfire Risk in
California [6.08936845491444]
本研究では,電気インフラによる山火事の発生時期と発生場所を予測するためのリスクモデルについて検討する。
データは、2015年から2019年にかけてパシフィック・ガス・アンド・エレクトリック・エリアで収集されたグリッドインフラによって引き起こされた歴史的点火とワイヤダウンポイントを含んでいる。
気象や植生の特徴が,着火やワイヤダウンのリスクにおいて,最も重要な特徴の1つとなっていることが判明した。
論文 参考訳（メタデータ） (2022-06-06T22:16:47Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。
このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。
このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
論文 参考訳（メタデータ） (2020-08-12T15:48:49Z)
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。