論文の概要: Road Risk Monitor: A Deployable U.S. Road Incident Forecasting System with Live Weather and Road-Level Tiles
- arxiv url: http://arxiv.org/abs/2605.04242v1
- Date: Tue, 05 May 2026 19:30:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.511985
- Title: Road Risk Monitor: A Deployable U.S. Road Incident Forecasting System with Live Weather and Road-Level Tiles
- Title（参考訳）: 道路リスクモニター:ライブ気象と道路レベルタイヤを備えた展開可能な米国道路事故予報システム
- Authors: Anton Ivchenko,
- Abstract要約: 使用可能なサービスは、過去のインシデントアーカイブ、歴史的およびライブウェザー、ナショナルロードジオメトリー、オフラインモデルトレーニング、タイル生成、Webサービス、ランタイムハンドオフを接続する必要がある。
本稿では, FARSの致命的クラッシュデータに基づいてトレーニングされた全国的なH3ベースラインと, TIGER/Line幾何およびUS-Accidentsイベントからトレーニングされた道路分割予測パイプラインを組み合わせた米国全体の道路安全スタックである道路リスクモニタについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nationwide road-incident forecasting is a systems problem before it is a modeling problem. A usable service must connect historical incident archives, historicalandliveweather,nationalroadgeometry, offline model training, tile generation, web serving and runtime handoff. This paper presents Road Risk Monitor, a U.S.-wide road-safety stack that combines a nationwide H3 baseline trained on FARS fatal-crash data with a road-segment forecasting pipeline trained from TIGER/Line geometry and US-Accidents events, then serves predictions through live APIs, raster tiles, JSON road tiles, and a public web application.
- Abstract（参考訳）: 国全体の道路事故予測は、モデリング問題になる前のシステム問題である。
使用可能なサービスは、過去のインシデントアーカイブ、歴史的およびライブウェザー、ナショナルロードジオメトリー、オフラインモデルトレーニング、タイル生成、Webサービス、ランタイムハンドオフを接続する必要がある。
本稿では, FARSの致命的クラッシュデータに基づく全国的なH3ベースラインと, TIGER/LineジオメトリおよびUS-Accidentsイベントからトレーニングした道路分割予測パイプラインを組み合わせて, ライブAPI, ラスタタイル, JSONロードタイル, パブリックWebアプリケーションを通じて予測を行う,米国全体の道路安全スタックであるRoad Risk Monitorについて述べる。
関連論文リスト
- TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation [0.0]
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。
論文 参考訳（メタデータ） (2026-04-23T20:48:30Z) - A Benchmark Dataset for Spatially Aligned Road Damage Assessment in Small Uncrewed Aerial Systems Disaster Imagery [3.1498833540989413]
本稿では,道路被害評価と道路アライメントのためのベンチマークデータセットについて述べる。
CRASAR-U-DRIODsデータセットで訓練された18のベースラインモデルを提供する。
論文 参考訳（メタデータ） (2025-12-13T01:42:49Z) - A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳（メタデータ） (2024-11-29T14:47:08Z) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - Computer vision-based model for detecting turning lane features on Florida's public roadways [2.5849315636929475]
本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。
抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
論文 参考訳（メタデータ） (2024-06-13T05:28:53Z) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - TAP: A Comprehensive Data Repository for Traffic Accident Prediction in
Road Networks [36.975060335456035]
既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。
グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。
GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
論文 参考訳（メタデータ） (2023-04-17T22:18:58Z) - Spatio-Temporal Graph Convolutional Networks for Road Network Inundation
Status Prediction during Urban Flooding [1.376408511310322]
本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。
道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
論文 参考訳（メタデータ） (2021-04-06T04:03:34Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。