論文の概要: hia-gat: A Heterogeneous Interaction-Aware Graph Attention Network For Frame-Level Traffic Conflict Risk Prediction On Freeways

• arxiv url: http://arxiv.org/abs/2606.27577v1
• Date: Thu, 25 Jun 2026 22:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.319879
• Title: hia-gat: A Heterogeneous Interaction-Aware Graph Attention Network For Frame-Level Traffic Conflict Risk Prediction On Freeways
• Title（参考訳）: hia-gat: 高速道路におけるフレームレベル交通衝突リスク予測のための異種インタラクション対応グラフ注意ネットワーク
• Abstract要約: 本稿では,多エージェントシーングラフレベルのバイナリ分類問題として,フレームレベルフリーウェイリスク評価を定式化する。 ノードとして車両とエッジとして2つのインタラクションタイプを備えた,フレーム毎の関係対応グラフを構築した。 NGSIM I-80 と US-101 フリーウェイデータセットの実験では、HIA-GAT が平均リスクレベルの最高のパフォーマンスを達成することが示されている。
• 参考スコア（独自算出の注目度）: 4.175438574088923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper formulates frame-level freeway risk assessment as a multi-agent scene graph-level binary classification problem, where each video or trajectory frame is labeled risky if any TTC- or PET-based conflict violates a specified severity threshold. We construct a relation-aware graph per frame with vehicles as nodes and two interaction types as edges: same-lane (longitudinal) and adjacent-lane (lateral), augmented with physics-informed edge features aligned to rear-end and lane-change conflict mechanisms. Building on a structured benchmarking suite of non-graph models and graph baselines, we propose HIA-GAT, a dual-stream heterogeneous graph attention network that processes longitudinal and lateral interactions through dedicated attention pathways and fuses them via a conflict-type-aware gating mechanism with event-level gate supervision derived from SSM conflict attribution. Experiments on the NGSIM I-80 and US-101 freeway datasets across nine TTC and PET threshold configurations show that HIA-GAT achieves the best average risk-ranking performance (AUC 0.835 on I-80 and 0.867 on US-101), with the largest gains on PET-only (lane-change) settings where relational structure is essential. Beyond accuracy, the learned gate provides interpretable per-vehicle attribution of dominant conflict type, supporting actionable, real-time freeway safety monitoring. We show that graph structure is critical for modeling lateral conflict risk, while longitudinal risk can often be captured by non-relational aggregation.
• Abstract（参考訳）: 本稿では,フレームレベルのフリーウェイリスク評価をマルチエージェントシーングラフレベルのバイナリ分類問題として定式化し,TTCやPETベースの競合が特定の重度しきい値に反した場合に,各ビデオやトラジェクトリフレームにリスクをラベル付けする。 我々は,車体をノードとして,エッジとして2種類の相互作用型を持つ関係対応グラフを構築した。同線(縦線)と隣接線(横線)である。 本研究では,非グラフモデルとグラフベースラインの構造化ベンチマークスイート上に構築されたHIA-GATを提案する。 NGSIM I-80 と US-101 のフリーウェイデータセットを TTC と PET の9つのしきい値設定で比較した結果,HIA-GAT は PET のみ(レーン変更) の設定で最大値(I-80 では AUC 0.835 、US-101 では 0.867 )を達成できた。 精度を超えて、学習ゲートは、支配的な競合タイプの車種毎の属性を解釈可能な形で提供し、実行可能でリアルタイムな高速道路の安全監視をサポートする。 グラフ構造は横方向の対立リスクをモデル化するために重要であり, 縦方向のリスクは非関係的な凝集によって捕えられることが多い。

関連論文リスト

• A Dynamic Scene Interaction Reasoning Framework for Scene-level Lane-Change Intention and Trajectory Prediction of Multiple Interacting Vehicles [6.830580384536778]
  本研究では,交通現場における車両の車線変更意図と将来の軌跡を予測する動的シーングラフアテンションフレームワークを提案する。 NGSIM I-80、NGSIM US-101、高次元データセットの実験では、競合するベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-02T23:55:53Z)
• HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections [1.2123876307427102]
  本研究では,時間的ヘテロジニアスなシーングラフ分類として,交通コンフリクトの評価を定式化する。 車両と歩行者は異質なノードとして表現され、車両と歩行者、歩行者と歩行者の相互作用は関係固有のエッジとしてエンコードされる。 信号化都市交差点から109,028個の軌道由来配列を用いてハーメスの評価を行った。
  論文  参考訳（メタデータ） (2026-07-02T20:37:08Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
  車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。 確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。 Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
  論文  参考訳（メタデータ） (2025-12-17T14:45:33Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
  局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。 ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。 これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
  論文  参考訳（メタデータ） (2025-09-22T14:05:23Z)
• STARN-GAT: A Multi-Modal Spatio-Temporal Graph Attention Network for Accident Severity Prediction [0.0]
  STARN-GATはマルチモード時空間グラフアテンションネットワークである。 道路ネットワークのトポロジ、時間的トラフィックパターン、環境コンテキストを統合された注意ベースのフレームワークに統合する。 その結果, 高リスク事例の同定におけるモデルの有効性と, リアルタイムかつ安全クリティカルな交通管理システムへの展開の可能性が示された。
  論文  参考訳（メタデータ） (2025-07-28T01:00:03Z)
• RelTopo: Multi-Level Relational Modeling for Driving Scene Topology Reasoning [74.58385332488227]
  道路トポロジー推論は自動運転にとって重要であり、効率的なナビゲーションと交通規制の遵守を可能にする。 既存の手法は通常、レーン検出またはレーン・トゥ・レーン(L2L)のトポロジー推論(英語版)に重点を置いており、しばしばこれらのタスクを共同で最適化するためにレーン・トゥ・トラッフィック・エレメント(L2T)の関係をテキスト化している。 人間は自然に道路要素認識と接続性推論の文脈的関係を利用するので、リレーショナルモデリングは知覚と推論の両方に有益であると主張する。
  論文  参考訳（メタデータ） (2025-06-16T14:40:28Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Heterogeneous Trajectory Forecasting via Risk and Scene Graph Learning [37.8996575530285]
  異種道路エージェントの軌道予測のためのリスク・シーングラフ学習法を提案する。 HRGは、各種類の道路エージェントをグループ化し、効果的な衝突リスク指標に基づいてそれらの相互作用隣接行列を算出する。 走行シーンのHSGは、道路エージェントと道路シーン文法に整合した道路意味的レイアウトの関係を推定することによってモデル化される。
  論文  参考訳（メタデータ） (2022-11-02T03:34:35Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections [45.508973373913946]
  道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。 我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。 マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
  論文  参考訳（メタデータ） (2020-11-08T02:56:42Z)

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。