論文の概要: Projected Attainable Speed Space: A Driving Efficiency Metric Connecting Instantaneous Evaluation to Travel Time
- arxiv url: http://arxiv.org/abs/2604.24295v1
- Date: Mon, 27 Apr 2026 10:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.905639
- Title: Projected Attainable Speed Space: A Driving Efficiency Metric Connecting Instantaneous Evaluation to Travel Time
- Title（参考訳）: 予測可能な速度空間: 瞬時評価を旅行時間に接続する運転効率指標
- Authors: Xiaohua Zhao, Zhaowei Huang, Chen Chen, Haiyi Yang,
- Abstract要約: 過度に保守的な利得のような非効率な運転行動は、自動運転車(AV)の配備にとって重要な障害である。
本研究は, 瞬時・旅行レベルでの効率評価を行うための統一的なフレームワークである, 予測可能速度空間モデルを提案する。
- 参考スコア（独自算出の注目度）: 5.82322826496103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inefficient driving behaviors, such as overly conservative yielding, remain a key obstacle to deployment of autonomous vehicles (AVs). Instantaneous driving efficiency metrics are crucial for self-driving decision-making because they affect real-time performance evaluation and control optimization. However, commonly used indicators, including speed, relative speed, and inter-vehicle distance, are limited in capturing traffic context and in ensuring consistency between instantaneous outputs and travel-level outcomes. This study proposes the Projected Attainable Speed Space (PASS) model, a unified framework for driving efficiency assessment across instantaneous and travel-level analyses by integrating kinematic and spatial traffic information. PASS characterizes instantaneous driving efficiency with two coupled elements: potential for speed improvement (available acceleration space) and response to that potential (utilization of available acceleration space). Available acceleration space is referenced to projected attainable speed, derived from an idealized catch-up maneuver using relative speed and spacing to the leading vehicle; utilization is represented by the temporal change in available acceleration space. To ensure cross-scale consistency, time-aggregated PASS is defined as a travel-level efficiency metric. Trajectory data from a driving simulation experiment are used for parameter calibration to maximize agreement between time-aggregated PASS and observed travel times. Across 10 lane-change events, results show strong consistency, with an average coefficient of determination of 0.913, validating PASS for consistent efficiency evaluation across instantaneous and travel-level temporal scales. This study provides a unified, physically grounded framework that supports real-time decision-making and long-term performance analysis in autonomous driving.
- Abstract（参考訳）: 過度に保守的な利得のような非効率な運転行動は、自動運転車(AV)の配備にとって重要な障害である。
リアルタイムのパフォーマンス評価と制御最適化に影響を与えるため、自動意思決定には即時運転効率の指標が不可欠である。
しかし、速度、相対速度、車間距離などの一般的な指標は、交通状況の把握や、瞬時出力と走行レベルの結果との整合性の確保に限られている。
本研究では,機械的・空間的交通情報を統合することにより,瞬時・旅行レベルでの効率評価を行うための統合フレームワークであるPASS(Projected Attainable Speed Space)モデルを提案する。
PASSは、速度向上のためのポテンシャル(アクセラレーション空間が利用可能)と、そのポテンシャルに対する応答(利用可能なアクセラレーション空間の利用)という2つの結合された要素で、瞬時駆動効率を特徴付ける。
利用可能な加速空間は、相対速度と先頭車両との間隔を用いた理想的なキャッチアップ操作から導かれる、予測可能な到達速度を参照し、使用可能な加速空間の時間的変化で表される。
クロススケールな一貫性を確保するため、PASSは旅行レベルの効率指標として定義される。
運転シミュレーション実験からの軌跡データをパラメータキャリブレーションに用いて, PASSと観測走行時間との一致を最大化する。
10車線変更イベントにおいて, 平均係数0.913, PASSを瞬時および旅行レベルの時間尺度で一貫した効率評価に有効であることがわかった。
本研究は,自律運転におけるリアルタイム意思決定と長期的パフォーマンス分析を支援する統合的,物理的基盤の枠組みを提供する。
関連論文リスト
- Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Benchmarking Tesla's Traffic Light and Stop Sign Control: Field Dataset and Behavior Insights [13.941873438238673]
本稿では,TeslaのTraffic Light and Stop Sign Control (TLSSC) のフィールドデータセットと行動解析について述べる。
我々は,TLSSC-TCD相互作用行動(停止,加速,追従)の分類を開発し,フル速度差モデル(FVDM)を校正する。
その結果、停止行動は所望の速度偏差と相対速度の両方に対して強い応答性によって駆動されるが、加速行動はより保守的であることが明らかとなった。
論文 参考訳（メタデータ） (2025-10-31T05:38:32Z) - Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。
本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-05T12:43:15Z) - Using Connected Vehicle Trajectory Data to Evaluate the Effects of
Speeding [0.0]
様々な交通機関が、動脈の速度を下げるための速度管理戦略を提案している。
速度制限以上の速度比の分析には様々な研究がなされているが、個人の移動に影響を及ぼすと考える研究は少ない。
本研究は,各経路における各走行経験が速度比に及ぼす影響について検討することを目的とする。
論文 参考訳（メタデータ） (2023-03-29T02:17:28Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Multi-Stream Attention Learning for Monocular Vehicle Velocity and
Inter-Vehicle Distance Estimation [25.103483428654375]
車両速度と車間距離の推定は、ADAS(Advanced driver-assistance system)と自律走行車にとって不可欠である。
近年の研究では、低コストの単眼カメラを用いて、車周りの環境をデータ駆動方式で知覚することに焦点を当てている。
MSANetは、例えば、共同走行速度と車間距離推定のための空間的特徴と文脈的特徴の異なる特徴を抽出するために提案されている。
論文 参考訳（メタデータ） (2021-10-22T06:14:12Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient
Driving [0.7087237546722617]
本稿では, リアルタイム自動監視とドライバフィードバックにより, 燃費効率の高い運転行動を促進する新しい枠組みを提案する。
歴史的データを用いたランダムフォレスト型分類モデルを用いて, 燃料非効率運転行動の同定を行う。
不効率な運転動作が検出されると、ファジィ論理推論システムを使用して、燃料効率の運転動作を維持するために運転者がすべきことを判断する。
論文 参考訳（メタデータ） (2020-07-03T09:23:53Z)
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。