論文の概要: MoCCA: A Movable Circle Probability of Collision Approximation

• arxiv url: http://arxiv.org/abs/2605.13125v1
• Date: Wed, 13 May 2026 07:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.881742
• Title: MoCCA: A Movable Circle Probability of Collision Approximation
• Title（参考訳）: MoCCA: 衝突近似の移動可能な円確率
• Authors: Tobias Kern, Christian Birkner,
• Abstract要約: 自動走行では、乗客の安全を確保するために事故の軽減が不可欠である。 本稿では,各車両の相対距離を最小化する形状近似アルゴリズムであるMoCCAを提案する。 MoCCAは、標準の単一循環技術に匹敵する計算効率を維持しながら、過保守性を低減している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In automated driving, crash mitigation is crucial to ensure passenger safety. Accurate avoidance requires precise knowledge of the object's position and orientation. However, sensor noise and occlusions often result in tracking and prediction uncertainties. To account for these uncertainties, estimating the Probability of Collision (POC) is a critical requirement. While Monte Carlo sampling is a common estimation technique, its high computational demand and stochastic nature often render it unsuitable for real-time applications. Analytical POC calculations are simplified by approximating vehicle geometries using circular bounds. While multi-circle approximations offer higher fidelity than a single circumscribed circle, they significantly increase computational complexity. This paper proposes a shape approximation algorithm, MoCCA, which utilizes a single circle for each vehicle, optimized to minimize the relative distance between them. MoCCA maintains a computational efficiency comparable to standard single-circle techniques while reducing over-conservatism. To address the potential underestimation of POC inherent in partial coverage, we establish an upper bound for the approximation error, demonstrating that it depends primarily on inter-vehicle distance and orientation variance. Furthermore, we introduce a safety distance margin that can be calibrated solely based on orientation variance.
• Abstract（参考訳）: 自動走行では、乗客の安全を確保するために事故の軽減が不可欠である。 正確な回避には、物体の位置と向きの正確な知識が必要である。 しかし、センサノイズと閉塞は、しばしば追跡と予測の不確実性をもたらす。 これらの不確実性を考慮するためには、衝突確率(POC)の推定が不可欠である。 モンテカルロサンプリングは一般的な推定手法であるが、その高い計算需要と確率的性質はリアルタイムアプリケーションには適さないことが多い。 解析的なPOC計算は、円形境界を用いた車両測地を近似することで単純化される。 多重円近似は単一の円周よりも忠実度が高いが、計算複雑性は著しく増大する。 本稿では,各車両の相対距離を最小化する形状近似アルゴリズムであるMoCCAを提案する。 MoCCAは、標準の単一循環技術に匹敵する計算効率を維持しながら、過保守性を低減している。 部分被覆に固有のPOCの潜在的な過小評価に対処するため、近似誤差の上限を確立し、車間距離と向きのばらつきに大きく依存することを示した。 さらに、配向分散のみに基づいて校正できる安全距離マージンを導入する。

関連論文リスト

• Fast and Accurate Collision Probability Estimation for Autonomous Vehicles using Adaptive Sigma-Point Sampling [0.9217021281095907]
  本稿では, 衝突確率を3.5%の中央値誤差で推定できる高速で単純なアルゴリズムを生成する適応型シグマ点サンプリング手法を提案する。 重要なことに、このアルゴリズムは衝突確率の時間的依存を明示的に説明しており、これは以前の研究では無視されることが多い。 この方法は、400個の6秒の自動運転車ログからなる様々な実世界のシナリオでテストされる。
  論文  参考訳（メタデータ） (2025-07-08T16:31:11Z)
• Beyond Sin-Squared Error: Linear-Time Entrywise Uncertainty Quantification for Streaming PCA [5.749787074942513]
  Ojaのアルゴリズムを用いたストリーミング主成分分析(PCA)のための新しい統計的推論フレームワークを提案する。 最適誤差率と対数因子との一致する推定ベクトルの要素に対して、鋭いベルンシュタイン型濃度を導出する。 座標偏差を効率的に推定するために,証明可能な一貫した部分サンプリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-06-14T22:50:54Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)
• Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty [1.3535770763481902]
  本稿では,ガウス分布運動下での衝突確率の計算手法を提案する。 衝突条件は楕円体間の距離として定式化される。 オンラインプランニングにおいて、より高速に計算できる、厳密な上限を提供します。
  論文  参考訳（メタデータ） (2021-10-12T20:45:18Z)
• DiffCo: Auto-Differentiable Proxy Collision Detection with Multi-class Labels for Safety-Aware Trajectory Optimization [5.35056843248536]
  DiffCoは、衝突検出のための最初の完全自動微分可能非パラメトリックモデルである。 バックプロパゲーションによる軌道最適化のための頑健な勾配を提供し、幾何学的手法よりも計算が10-100倍高速であることが多い。
  論文  参考訳（メタデータ） (2021-02-15T09:31:26Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。