論文の概要: Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling

• arxiv url: http://arxiv.org/abs/2603.14841v1
• Date: Mon, 16 Mar 2026 05:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.070264
• Title: Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling
• Title（参考訳）: 逆クラッシュ確率モデルによるリアルタイム運転安全検査
• Authors: Joyjit Roy, Samaresh Kumar Singh,
• Abstract要約: 本研究は,バイナリクラッシュ分類器を0-100連続安全性スコアに変換するフレームワークであるSafeDriver-IQを紹介する。 15の相補的な分析結果から,高リスク運転条件と低リスク運転条件を確実に区別できることが示唆された。 発見によると、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road crashes remain a leading cause of preventable fatalities. Existing prediction models predominantly produce binary outcomes, which offer limited actionable insights for real-time driver feedback. These approaches often lack continuous risk quantification, interpretability, and explicit consideration of vulnerable road users (VRUs), such as pedestrians and cyclists. This research introduces SafeDriver-IQ, a framework that transforms binary crash classifiers into continuous 0-100 safety scores by combining national crash statistics with naturalistic driving data from autonomous vehicles. The framework fuses National Highway Traffic Safety Administration (NHTSA) crash records with Waymo Open Motion Dataset scenarios, engineers domain-informed features, and incorporates a calibration layer grounded in transportation safety literature. Evaluation across 15 complementary analyses indicates that the framework reliably differentiates high-risk from low-risk driving conditions with strong discriminative performance. Findings further reveal that 87% of crashes involve multiple co-occurring risk factors, with non-linear compounding effects that increase the risk to 4.5x baseline. SafeDriver-IQ delivers proactive, explainable safety intelligence relevant to advanced driver-assistance systems (ADAS), fleet management, and urban infrastructure planning. This framework shifts the focus from reactive crash counting to real-time risk prevention.
• Abstract（参考訳）: 道路事故は依然として予防可能な死者の主な原因である。 既存の予測モデルは、主にバイナリ結果を生成し、リアルタイムドライバのフィードバックに対して限られた実用的な洞察を提供する。 これらのアプローチは、歩行者やサイクリストのような脆弱な道路利用者(VRU)に対する、継続的なリスク定量化、解釈可能性、明確な配慮を欠いていることが多い。 本研究は,国家的事故統計と自律走行車からの自然主義運転データを組み合わせることで,バイナリクラッシュ分類器を連続的な0-100セーフティスコアに変換するフレームワークであるSafeDriver-IQを紹介する。 このフレームワークは、NHTSA(National Highway Traffic Safety Administration)の事故記録をWaymo Open Motion Datasetのシナリオ、エンジニアのドメインインフォームド機能と融合させ、交通安全に関する文献を基盤としたキャリブレーション層を組み込んでいる。 15の相補的分析による評価は,高リスク運転条件と高い判別性能を有する低リスク運転条件とを確実に区別できることを示唆している。 さらに、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加することが判明した。 SafeDriver-IQは、高度な運転支援システム(ADAS)、艦隊管理、都市インフラ計画に関連する、積極的に説明可能な安全情報を提供する。 このフレームワークは、リアクティブクラッシュカウントからリアルタイムのリスク防止へと焦点をシフトします。

関連論文リスト

• Controllable risk scenario generation from human crash data for autonomous vehicle testing [13.3074428571403]
  制御可能なリスクエージェント生成(CRAG)は、支配的な名目的行動と稀な安全クリティカルな行動のモデリングを統合するために設計されたフレームワークである。 CRAGは、正常およびリスク関連挙動を歪め、限られたクラッシュデータの効率的な利用を可能にする構造付き潜在空間を構築する。
  論文  参考訳（メタデータ） (2025-11-27T04:53:18Z)
• 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)
• Advanced Crash Causation Analysis for Freeway Safety: A Large Language Model Approach to Identifying Key Contributing Factors [0.0]
  本研究は,大規模言語モデル(LLM)を利用して高速道路の事故データを解析し,それに応じて事故原因分析を行う。 微調整されたLlama3 8Bモデルは、ゼロショット分類によって事前にラベル付けされたデータなしでクラッシュ因果を識別するために使用された。 その結果, LLMはアルコール欠乏運転, スピード, 積極的運転, 運転不注意などの事故原因を効果的に同定できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T04:07:55Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• 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)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)

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。