論文の概要: Kinematic Discriminants of Deceleration Behavior Modes in Car-Following: Evidence from NGSIM Trajectory Data

• arxiv url: http://arxiv.org/abs/2605.05050v1
• Date: Wed, 06 May 2026 15:47:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.913544
• Title: Kinematic Discriminants of Deceleration Behavior Modes in Car-Following: Evidence from NGSIM Trajectory Data
• Title（参考訳）: 自動車追従における減速挙動モードの運動学的判別:NGSIM軌道データから
• Authors: Eni Solomon Laughter,
• Abstract要約: ギャップ閉鎖率と視覚的略奪は、減速強度に応じて差別的支配を切り替える。 発見は、ADAS警告システムの設計と自動運転車の制御に直接的な意味を持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gap-closing rate and visual looming swap discriminative dominance depending on deceleration intensity - a finding that reconciles a long-standing conflict in the car-following literature and challenges spacing-centered assumptions in traditional driver behavior models. This study presents a two-stage analytical framework that distinguishes between information availability (kinematic variables measurable in the environment) and information utilization (variables that demonstrably separate driver behavioral patterns), applied to 1,060,119 valid car-following observations from the NGSIM trajectory dataset (2,932 vehicles). Six kinematic features are extracted, and deceleration events are detected under two threshold conditions (-0.5 m/s^2 and -0.3 m/s^2). K-means clustering identifies behavioral modes, and one-way ANOVA with eta-squared effect sizes ranks each feature's discriminative power. Three key findings emerge: (1) threshold selection fundamentally shapes behavioral inference - the stricter threshold yields three interpretable modes while the permissive threshold collapses these to two; (2) hard braking prioritizes gap-closing rate (eta^2 = 0.715) while moderate braking emphasizes visual looming (eta^2 = 0.574); and (3) spacing headway is negligible (eta^2 <= 0.014) across both thresholds. These findings provide empirically grounded candidates for perceptual cue prioritization and have direct implications for ADAS warning system design and autonomous vehicle control.
• Abstract（参考訳）: ギャップ閉鎖率と視覚的略奪は、減速強度によって差別的支配を置き換える - 自動車追従文学における長年の対立を再現し、従来のドライバー行動モデルにおいて、偏見中心の仮定に挑戦する発見である。 本研究では,NGSIMトラジェクトリデータセット(2,932台)から1060,119台の車両追従観測結果に適用した,情報利用率(環境変数)と情報利用率(運転行動パターンを実証的に分離した変数)を区別する2段階解析フレームワークを提案する。 6つのキネマティックな特徴を抽出し, 2つのしきい値(-0.5 m/s^2および-0.3 m/s^2)で減速現象を検出する。 K-平均クラスタリングは行動モードを識別し、eta-2乗効果を持つ一方通行のANOVAは各特徴の識別力をランク付けする。 1) しきい値選択は行動推論を根本的に形成する - 厳密なしきい値が2つに崩壊する間に3つの解釈可能なモードを出力し、(2) 硬いブレーキはギャップ閉鎖率(eta^2 = 0.715)を優先し、一方、中程度のブレーキは視力低下(eta^2 = 0.574)を強調し、(3) 間隔のずれは両しきい値間で無視できる(eta^2 <= 0.014)。 これらの知見は、知覚的キュー優先順位付けのための経験的根拠のある候補を提供し、ADAS警告システム設計と自律走行車制御に直接的な意味を持つ。

関連論文リスト

• Modelling Pedestrian Behaviour in Autonomous Vehicle Encounters Using Naturalistic Dataset [1.8262547855491453]
  本研究では,NuScenesデータセットにおけるミッドブロック遭遇時のマイクロレベルの歩行者行動について検討した。 その結果, 予測性能は中等度でありながら, いくつかの変数が運動調整に有意な影響を及ぼす可能性が示唆された。 これらのパターンは、リスク知覚と運動効率の両方によって引き起こされる複数の行動傾向を反映する可能性がある。
  論文  参考訳（メタデータ） (2026-02-04T23:58:38Z)
• 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)
• Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories [4.250936281629339]
  本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。 我々は,信号化交差点での放電,車追従,車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。 その結果, PHX の挙動は WOMD の行動エンベロープの外側にあることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-03T17:56:46Z)
• 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)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• 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)
• Causal Imitative Model for Autonomous Driving [85.78593682732836]
  慣性および衝突問題に対処するための因果Imitative Model (CIM)を提案する。 CIMは因果モデルを明確に発見し、ポリシーのトレーニングに利用します。 実験の結果,本手法は慣性および衝突速度において従来の手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2021-12-07T18:59:15Z)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)

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。