論文の概要: CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection

• arxiv url: http://arxiv.org/abs/2605.23471v1
• Date: Fri, 22 May 2026 10:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.312071
• Title: CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection
• Title（参考訳）: CBANet:攻撃駆動イベント検出のためのコンパクトアテンションベースCNN-BiLSTMネットワーク
• Authors: Hanadi Alhamdan, Ghadah Alosaimi, Amir Atapour-Abarghouei, Farshad Arvin,
• Abstract要約: 攻撃的な運転は交通事故の大きな原因であり、道路安全に深刻な脅威をもたらす。 深層学習法は、車両センサデータから危険運転行動を検出するための有望な結果を示している。 しかし、実際の環境での性能は、厳しいデータ不均衡、ドライバー間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。
• 参考スコア（独自算出の注目度）: 7.82687682320363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggressive driving is a major cause of traffic accidents and poses a serious threat to road safety. Although deep learning methods have shown promising results in detecting risky driving behaviours from vehicle sensor data, their performance in real-world conditions is often limited by severe data imbalance, large variability between drivers, and the lack of physically interpretable vehicle dynamics representations. In this paper, we propose an enhanced deep learning framework for aggressive driving detection using multivariate vehicle dynamics signals. Instead of relying solely on raw measurements, the proposed approach constructs engineered dynamic features that capture steering, acceleration, and braking behaviour. To address the extreme rarity of aggressive events in naturalistic driving data, we introduce a stable training strategy that combines controlled SMOTE-based oversampling with a class-weighted loss formulation, and evaluates focal loss variants for imbalance handling. Furthermore, a safety-oriented decision strategy based on class-specific threshold calibration is adopted to better reflect the asymmetric risks of missed detections and false alarms in real-world applications. The proposed framework is evaluated on a newly collected naturalistic driving dataset. Extensive experiments show that the proposed method consistently outperforms standard deep learning baselines with significant improvements in minority-class recall and safety-critical F-score metrics while maintaining practical computational efficiency. Code: \url {https://github.com/halhamdan/CBANet}
• Abstract（参考訳）: 攻撃的な運転は交通事故の大きな原因であり、道路の安全に深刻な脅威をもたらす。 深層学習手法は車両センサデータから危険運転行動を検出する上で有望な結果を示しているが、実際の状況下での性能は、重度のデータ不均衡、ドライバ間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。 本論文では,多変量車両動特性信号を用いたアグレッシブ運転検出のための拡張型ディープラーニングフレームワークを提案する。 提案手法は、生の測定のみに頼るのではなく、ステアリング、アクセラレーション、ブレーキ動作をキャプチャする動的特徴を工学的に構築する。 自然主義運転データにおける攻撃的事象の極端に希少性に対処するため,制御されたSMOTEによるオーバーサンプリングとクラス重み付き損失の定式化を組み合わせた安定なトレーニング戦略を導入し,不均衡処理のための焦点損失変動の評価を行う。 さらに、クラス固有のしきい値校正に基づく安全性指向の意思決定戦略を採用し、現実世界のアプリケーションにおける誤検知や誤警報の非対称なリスクをよりよく反映する。 提案手法は,新たに収集した自然性駆動データセットに基づいて評価される。 大規模な実験により,提案手法は,実用的計算効率を維持しつつ,少数クラスのリコールと安全クリティカルなFスコアの指標を大幅に改善し,標準ディープラーニングベースラインを一貫して上回ることを示した。 コード: \url {https://github.com/halhamdan/CBANet}

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Emergency Lane-Change Simulation: A Behavioral Guidance Approach for Risky Scenario Generation [10.706638374537306]
  本稿では,高リスクレーン変更シナリオを生成するための行動ガイド手法を提案する。 提案手法は,限られたデータからリスク軌道の挙動を効果的に学習することができる。
  論文  参考訳（メタデータ） (2026-03-08T12:46:02Z)
• ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving [17.936492070548]
  既存の手法では、センサーの故障、環境障害、データ不完全性といった課題を克服し、理想的な条件を想定することが多い。 本研究は,事故検出と予測のための新しいアプローチであるROARを紹介する。 ROARは、自己適応型オブジェクト認識モジュールである離散ウェーブレット変換(DWT)と、これらの課題に取り組むための動的焦点損失を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-09T04:55:37Z)
• How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving [0.6299766708197883]
  ラベルやモデルを時間とともに、ドライバ間で適応する統合されたコンテキスト対応フレームワークを提案する。 このフレームワークは、速度重み付けされたヘッドウェイと厳しい運転イベントの2つの安全指標と、ランダムフォレスト、XGBoost、ディープニューラルネットワーク(DNN)の3つのモデルを用いてテストされている。 全体として、このフレームワークは、リアルタイムの安全フィードバックを強化し、インテリジェントな交通システムにおけるドライバー中心の介入をサポートする、適応的でコンテキスト対応のリスク検出を約束している。
  論文  参考訳（メタデータ） (2025-07-26T16:24:25Z)
• Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
  本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。 複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。 即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
  論文  参考訳（メタデータ） (2025-05-19T07:22:32Z)
• Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
  TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。 飲酒運転が深刻な事故の要因となっている。 TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
  論文  参考訳（メタデータ） (2025-05-18T21:02:30Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)

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。