論文の概要: Modeling Vehicle-Type-Specific Pedestrian Crash Avoidance Behavior in Safety-Critical Interactions Using Smooth-Mamba Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.28552v1
• Date: Wed, 27 May 2026 14:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.124889
• Title: Modeling Vehicle-Type-Specific Pedestrian Crash Avoidance Behavior in Safety-Critical Interactions Using Smooth-Mamba Deep Reinforcement Learning
• Title（参考訳）: Smooth-Mamba Deep Reinforcement Learning を用いた車種別歩行者衝突回避行動の安全性と批判的相互作用のモデル化
• Authors: Qingwen Pu, Kun Xie, Hong Yang, Di Yang, Junqing Wang,
• Abstract要約: 本研究では、Argoverse 2データセットから安全クリティカルな歩行者と車両の相互作用を抽出する。 車種別歩行者事故回避行動のモデル化を目的として,スムース・マンバディープ決定論的政策勾配フレームワークを開発した。 再構成軌道は強い行動リアリズムを示し、AVとHDVの両方のシナリオで衝突回避運動を正確に再現する。
• 参考スコア（独自算出の注目度）: 6.169445656675287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As automated vehicles (AVs) increasingly share roadways with human-driven vehicles (HDVs), understanding how pedestrians respond to different vehicle types in safety-critical interactions is essential for the safe deployment of automated driving technologies. This study extracts safety-critical pedestrian-vehicle interactions from the Argoverse 2 dataset to capture real-world crash avoidance behaviors in encounters involving AVs and HDVs. To model vehicle-type-specific pedestrian crash avoidance behavior, we develop a Smooth-Mamba Deep Deterministic Policy Gradient framework, termed SMamba-DDPG, which integrates smooth action constraints with efficient temporal representation learning. To quantify pedestrian behavioral differences, the framework trains separate crash avoidance policies for pedestrian interactions with AVs and HDVs. Results show that SMamba-DDPG outperforms baseline reinforcement learning and supervised learning models in reproducing pedestrian crash avoidance behaviors. Reconstructed trajectories demonstrate strong behavioral realism, accurately reproducing crash avoidance kinematics in both AV and HDV scenarios. Reaction time analysis shows that the model captures human-like response delays and reveals that pedestrians respond more quickly to AVs than to HDVs. Counterfactual analysis further indicates that pedestrians adopt lower crossing speeds when interacting with AVs. Large-scale safety analysis of model-generated data revealed that pedestrian-AV interactions consistently yielded lower conflict rates and higher pedestrian yielding rates compared to pedestrian-HDV interactions. The findings highlight the importance of incorporating vehicle-type-specific pedestrian behavioral models for safer automated driving system design and more realistic traffic simulations in mixed-traffic environments.
• Abstract（参考訳）: 自動運転車(AV)は、人力車両(HDV)と道路を共有しているため、歩行者が安全クリティカルなインタラクションにおいて異なる車両タイプにどのように反応するかを理解することは、自動運転技術の安全な展開に不可欠である。 本研究では、Argoverse 2データセットから安全クリティカルな歩行者と車両の相互作用を抽出し、AVとHDVの遭遇時の現実の衝突回避行動を捉える。 Smooth-Mamba Deep Deterministic Policy Gradient framework(SMamba-DDPG)を開発した。 歩行者行動の違いを定量化するために、このフレームワークは、AVとHDVとの歩行者インタラクションのための衝突回避ポリシーを別々に訓練する。 その結果,SMamba-DDPGは,歩行者事故回避行動の再現において,ベースライン強化学習および教師付き学習モデルよりも優れていた。 再構成軌道は強い行動リアリズムを示し、AVとHDVの両方のシナリオで衝突回避運動を正確に再現する。 反応時間分析は、このモデルが人間のような反応遅延を捉え、歩行者がHDVよりも早くAVに反応することを示した。 さらに,AVと対話する場合の歩行者の横断速度の低下が示唆された。 モデル生成データの大規模安全性解析により,歩行者-AV間相互作用は,歩行者-HDV間相互作用と比較してコンフリクトレートが低く,歩行者収率も高いことがわかった。 本研究は,車種別歩行者行動モデルの導入の重要性を強調し,より安全な自動走行システム設計と,混合交通環境におけるより現実的な交通シミュレーションを行った。

関連論文リスト

• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• EQ-TAA: Equivariant Traffic Accident Anticipation via Diffusion-Based Accident Video Synthesis [79.25588905883191]
  交通現場における交通事故予測(TAA)は, 今後ゼロ死亡率を達成する上で, 課題となる。 本稿では,追加の事故ビデオクリップを合成するAVDモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-16T01:56:38Z)
• 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)
• 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)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Modeling Interactions of Autonomous Vehicles and Pedestrians with Deep Multi-Agent Reinforcement Learning for Collision Avoidance [20.542143534865154]
  本研究では,対話系列をマルコフ決定過程 (MDP) としてモデル化し,深部強化学習 (DRL) アルゴリズムを用いて解析する。 知的歩行者行動の異なるPCAMシステムは,エージェントの衝突速度と結果の交通流効率に応じてベンチマークを行う。 その結果, AV は実験条件の大部分で完全に衝突を緩和できることがわかった。
  論文  参考訳（メタデータ） (2021-09-30T17:06:39Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Analysis and Prediction of Pedestrian Crosswalk Behavior during Automated Vehicle Interactions [11.333580296938859]
  短距離地平線(1-2秒)でしか予測できない横断歩道周辺のAV運動計画への最近の動向 本研究では,歩行者間隙受入行動と定速度ダイナミクスを長期的歩行者軌道予測に用いるハイブリッドシステムモデルを開発した。 その結果,横断歩道における歩行者軌道予測モデルの適用性を示した。
  論文  参考訳（メタデータ） (2020-03-22T21:28:39Z)

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。