論文の概要: TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation
- arxiv url: http://arxiv.org/abs/2604.22068v1
- Date: Thu, 23 Apr 2026 20:48:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.266784
- Title: TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation
- Title（参考訳）: TRACE:AV評価のためのCARLAにおける事故のトポロジカル・アウェア・リコンストラクション
- Abstract要約: 我々は,NHTSA事故報告を高忠実度CARLAシミュレーションに再構築するパイプラインであるTRACEを紹介する。
このパイプラインを用いて、さまざまな衝突タイプ、道路トポロジ、事前クラッシュ操作を含む52の多様な事故シナリオのベンチマークをキュレートした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Validating Autonomous Vehicles (AVs) requires exposure to rare, safety-critical scenarios, infrequent in routine driving data. Existing benchmarks address this by generating synthetic conflicts or mapping accident descriptions to abstract road geometries, failing to capture the topological complexity of real-world crashes. We introduce TRACE , a pipeline that automates the reconstruction of NHTSA crash reports into high-fidelity CARLA simulations by (1) retrieving site-specific OpenStreetMap data to preserve exact road topology, (2) leveraging Large Language Models to infer vehicles' initial state from road geometry and pre-crash maneuvers, and (3) generating simulation trajectories from semi-structured report data. Using this pipeline, we curated a benchmark of 52 diverse accident scenarios covering varied collision types, road topologies, and pre-crash maneuvers, providing a challenging open source resource for testing AV systems against real-world failures.
- Abstract（参考訳）: 自律走行車(AV)の検証には、日常的な運転データが少ない稀で安全に重要なシナリオに曝露する必要がある。
既存のベンチマークでは、合成コンフリクトを生成したり、事故記述を抽象的な道路地形にマッピングすることでこの問題に対処している。
道路トポロジを正確に保存するために,(1)サイト固有のOpenStreetMapデータを取得すること,(2)大型言語モデルを活用して道路形状と事前クラッシュ操作から車両の初期状態を推定すること,(3)半構造化レポートデータからシミュレーショントラジェクトリを生成することにより,NHTSAクラッシュレポートの高忠実度CARLAシミュレーションへの再構築を自動化するパイプラインであるTRACEを紹介する。
このパイプラインを使用して、さまざまな衝突タイプ、道路トポロジ、事前クラッシュ操作をカバーする52のさまざまな事故シナリオのベンチマークをキュレートし、現実の障害に対してAVシステムをテストするための挑戦的なオープンソースリソースを提供しました。
関連論文リスト
- SynCrash: A Multi-Stage Pipeline for Zero-Shot Accident Detection and Localization in Traffic Surveillance Video [0.0]
CCTVビデオにおけるゼロショット事故検出,空間的局所化,衝突型分類のためのパイプラインであるSynCrashを提案する。
CVPR 2026 Challengeでは,事故発生時の予測,フレーム内の衝突の発生状況,衝突の種類などについて検討した。
論文 参考訳（メタデータ） (2026-08-30T12:42:59Z) - ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。
本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
論文 参考訳（メタデータ） (2026-06-12T03:11:06Z) - A Trajectory-free Crash Detection Framework with Generative Approach and Segment Map Diffusion [24.86297144482785]
個別の交通動態データを記録した道路セグメントマップは、直接クラッシュ検出に供された。
有理な将来の道路セグメントマップを生成するために, 新たな2段階無軌道事故検出フレームワークが導入された。
実世界の衝突実験は、事故を正確に検出する2段階法の有効性を示している。
論文 参考訳（メタデータ） (2025-11-17T05:50:00Z) - Advanced Tool for Traffic Crash Analysis: An AI-Driven Multi-Agent Approach to Pre-Crash Reconstruction [2.0456612910829306]
本研究では,事故前のシナリオを再構築し,断片化された衝突データから車両の挙動を推定するマルチエージェントAIフレームワークを開発する。
フェーズIはマルチモーダル入力から自然言語によるクラッシュ再構成を生成する。
フェーズIIは、これらの再構成と時間的イベントデータレコーダ(EDR)を組み合わせることで、詳細なクラッシュ推論を行う。
論文 参考訳（メタデータ） (2025-11-13T23:32:25Z) - Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-08-15T00:51:48Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - AccidentBlip: Agent of Accident Warning based on MA-former [24.81148840857782]
AccidentBlipは視覚のみのフレームワークで、ビデオの各フレームを処理するために自設計のMotion Accident Transformer(MA-former)を使用している。
AccidentBlipは、DeepAccidentデータセット上の事故検出と予測タスクの両方のパフォーマンスを達成する。
また、V2VおよびV2Xシナリオにおける現在のSOTAメソッドよりも優れており、複雑な現実世界環境を理解するのに優れた能力を示している。
論文 参考訳（メタデータ） (2024-04-18T12:54:25Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification
Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
事故が起こる前の事故と近距離事故には差はない。
我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。
提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
論文 参考訳（メタデータ） (2023-01-06T22:04:47Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z)
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。