論文の概要: Cut-In Gap Acceptance Toward Autonomous vs. Human-Driven Vehicles: Evidence from the Waymo Open Motion Dataset

• arxiv url: http://arxiv.org/abs/2605.01485v1
• Date: Sat, 02 May 2026 15:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.79857
• Title: Cut-In Gap Acceptance Toward Autonomous vs. Human-Driven Vehicles: Evidence from the Waymo Open Motion Dataset
• Title（参考訳）: 自律型対人間駆動型自動車へのギャップ受容--Waymoオープンモーションデータセットからの証拠
• Abstract要約: ドライバーは、人間の運転する車両を目標とする場合よりも、自動運転車の前を切る場合の方が短いギャップを受け入れることが示される。 結果は,人間のギャップ目標行動における系統的および安全性関連非対称性を明らかにした。
• 参考スコア（独自算出の注目度）: 20.020714761983744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) are widely known to follow conservative, rule-based motion policies that surrounding drivers can learn to anticipate. A direct consequence is that human drivers may accept shorter longitudinal gaps when cutting in front of an AV than when targeting another human-driven vehicle (HDV). We test this hypothesis using the Waymo Open Motion Dataset (WOMD), which provides 25,906 real-world highway scenarios at 10 hertz. An eight-criterion lane-change detector extracts 706 HDV-to-AV and 3,172 HDV-to-HDV cut-in events from the same traffic environment. The median accepted gap in front of the Waymo AV is 7.58 meters versus 9.57 meters for HDV targets, a 1.99 meter reduction that is statistically significant (p equals 5.76 times 10 to the negative eighth power, d equals negative 0.224) and persists under speed-matched resampling. Cut-in speeds toward the AV are 37 percent higher (51.7 versus 37.7 kilometers per hour, d equals 0.502), and 68.0 percent of AV-targeted cut-ins occur below the 10 meter gap boundary versus 51.8 percent of HDV-targeted events (chi-squared equals 60.5, p is less than 10 to the negative thirteenth power). These results reveal a systematic and safety-relevant asymmetry in human gap-acceptance behavior that warrants AV-specific calibration of both motion-planning safety envelopes and traffic simulation models.
• Abstract（参考訳）: 自律走行車(AV)は、周囲のドライバーが予想できる保守的で規則に基づく行動ポリシーに従うことで広く知られている。 直接的な結果として、人間のドライバーは、他の人間駆動車(HDV)を目標とする場合よりも、AVの前方で切断する場合に短い長手ギャップを受け入れる可能性がある。 この仮説をWaymo Open Motion Dataset (WOMD) を用いて検証する。 8つの基準線変化検出器は、同じ交通環境から706 HDV-to-AVと3,172 HDV-to-HDVのカットインイベントを抽出する。 Waymo AVの前方中央の許容ギャップは、HDV目標の9.57メートルに対して7.58メートルであり、統計的に有意な1.99メートルの減少(pは5.76倍10倍、dは0.224倍)であり、速度整合された再サンプリングの下で持続する。 AVに対するカットイン速度は37パーセント(51.7対37.7km/h、dは0.502)で、AVがターゲットとするカットインの68.0パーセントは10メートルのギャップ境界以下で、HDVがターゲットとするイベントの51.8パーセント(チ二乗は60.5、pは負の13分の1)である。 これらの結果から,移動計画型安全封筒と交通シミュレーションモデルの両方のAV比校正を保証できる,人間のギャップ受容行動の系統的および安全性関連非対称性が明らかとなった。

関連論文リスト

• UDAV: Uncertainty-Driven Adaptive VLM Waypoint Planner [0.9668407688201359]
  視覚言語モデル(VLM)は、オフロードナビゲーションのための航空画像から直接ルートを生成することができるが、その予測は信頼性を示すものではない。 UAV誘導UGVナビゲーションのための不確実性駆動適応型VLMウェイポイントプランナであるUDAVを提案する。
  論文  参考訳（メタデータ） (2026-09-14T21:30:49Z)
• PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout [36.25772061017794]
  PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。 歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。 824の文脈で、797が有効な将来の車両支援を提供し、PV-WMはRoot ADEを5.2%削減し、MPJPEを7.6%、P-V距離誤差を11.9%削減した。
  論文  参考訳（メタデータ） (2026-09-07T10:45:26Z)
• RedLight-VLA: Models for traffic-rule grounding and behavioral emphasis in driving policies [1.6960711143212859]
  行動閉鎖型ビジョン・ランゲージ・アクション・ドライビング・ポリシーは信号交差点での希少なルール支配の操作に苦慮する。 我々は、専門家の未来と自動生成された知覚目標を利用する訓練目標であるRedLight-VLAを提案する。 制御された変種は同じバックボーン、トレーニングデータ、デコーダ、評価集団を共有している。
  論文  参考訳（メタデータ） (2026-08-21T00:55:45Z)
• Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach [0.8819673391477033]
  本稿では,モノクロビデオから車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。 提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。
  論文  参考訳（メタデータ） (2026-08-17T16:39:06Z)
• Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective [76.02772556944073]
  環境錯覚は自然に存在するが、現実の運転環境では見過ごされている現象である。 視覚的知覚を妨害し、シーンの誤解を招き、自動運転システムに深刻な安全リスクをもたらす。 最初のベンチマークであるLanEvil++を導入し、環境錯覚下での車線知覚の堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-07-07T03:15:00Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Edge-AI Perception Node for Cooperative Road-Safety Enforcement and Connected-Vehicle Integration [2.320417845168326]
  インドなどの新興国の急速な自動車化は、2023年に1100万件以上の違反が記録されており、4000台あたり約1人の警官が警察に拘束されている。 従来の監視と手動によるチケット発行は、この規模にスケールできないため、自律的で協力的でエネルギー効率のよいエッジAI認識インフラの必要性を動機付けている。 本稿では,多クラス交通違反の分析と,接続されたインテリジェントな車両エコシステム内での安全事象の拡散を行うためのリアルタイム道路側認識ノードを提案する。
  論文  参考訳（メタデータ） (2026-01-06T08:02:58Z)
• PAVE: An End-to-End Dataset for Production Autonomous Vehicle Evaluation [11.024538259188347]
  このデータセットには、市場で生産される自動運転車モデルから100時間以上の自然科学的なデータが含まれている。 各キーフレームには、過去6秒と将来の5秒にまたがる20Hzの車両軌跡と、周辺車両、歩行者、信号機、交通標識の詳細な2Dアノテーションが提供されている。 AVの安全性を評価するために、自動運転車のフレーム上で平均変位誤差(ADE)1.4mの車両軌道を予測できるエンドツーエンドの運動計画モデルを用いる。
  論文  参考訳（メタデータ） (2025-11-18T06:41:34Z)
• Automated Vehicles at Unsignalized Intersections: Safety and Efficiency Implications of Mixed Human and Automated Traffic [10.095348373137952]
  自動車両(AV)の交通システムへの統合は、道路の安全性と効率を高める前例のない機会である。 本研究では,無人交差点におけるAVと人間駆動車(HV)の行動差と適応性を調べることにより,ギャップを埋めることを目的とする。 AVはより大きな安全マージンを維持しているが、その保守的な行動は、人間のドライバーにとって予期せぬ状況を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2024-10-16T13:19:32Z)
• Discovering New Shadow Patterns for Black-Box Attacks on Lane Detection of Autonomous Vehicles [2.360491397983081]
  本稿では,自律走行車線検出システムに対する新たな物理世界攻撃を提案する。 私たちの方法は、完全に受動的で、パワーフリーで、人間の観察者にとって目立たないものです。 ユーザー調査では、攻撃のステルス性が確認され、83.6%の参加者が運転中に検出できなかった。
  論文  参考訳（メタデータ） (2024-09-26T19:43:52Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)

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。