論文の概要: PRISA: Proactive Infrastructure LiDAR Framework for Intersection Safety Assessment
- arxiv url: http://arxiv.org/abs/2607.16156v1
- Date: Fri, 17 Jul 2026 17:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.918607
- Title: PRISA: Proactive Infrastructure LiDAR Framework for Intersection Safety Assessment
- Title（参考訳）: PRISA:インターセクション安全性評価のためのプロアクティブインフラストラクチャLiDARフレームワーク
- Abstract要約: 都市交差点は道路網の最も危険な場所の一つであり、歩行者やサイクリストのような車両や脆弱な道路利用者(VRU)に重大なリスクをもたらす。
本稿では,プライバシ保護,低照度路面センサを活用した,長期交通観測とエッジでのリアルタイムリスク検出のためのモジュール型インフラストラクチャLiDARフレームワークであるPRISAを提案する。
PRISAは、公開R-LiViTデータセットで評価され、テネシー州チャタヌーガのライブシグナル付き交差点でNVIDIA Jetson AGX Thorにデプロイされる。
- 参考スコア（独自算出の注目度）: 3.6737243445877663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban intersections are among the most hazardous locations in road networks, posing significant risks to vehicles and vulnerable road users (VRUs) such as pedestrians and cyclists. The complexity of multi-agent interactions demands continuous, real-time monitoring systems capable of anticipating conflicts before they escalate into crashes. We present PRISA, a modular infrastructure LiDAR framework leveraging privacy-preserving, low-light-robust roadside sensors for long-term traffic observation and real-time risk detection at the edge. The framework comprises two core components: a sensing and perception layer and a plug-and-play risk assessment module. The latter automatically curates site-specific training data from accumulated perception outputs to train a trajectory prediction model without manual annotation. It then deploys the trained model for continuous motion forecasting and dual surrogate safety evaluation, using Time-to-Collision (TTC) for longitudinal conflicts and Predicted Post-Encroachment Time (PPET) for crossing and VRU-involved interactions. PRISA is evaluated on the public R-LiViT dataset and deployed on an NVIDIA Jetson AGX Thor at a live signalized intersection in Chattanooga, Tennessee. PPET-based assessment operates at 194~ms end-to-end latency over a 2.4-second predictive horizon, with TTC-based detection and perception remaining within real-time constraints, demonstrating practical feasibility for proactive multi-agent intersection safety monitoring.
- Abstract（参考訳）: 都市交差点は道路網の最も危険な場所の一つであり、歩行者やサイクリストのような車両や脆弱な道路利用者(VRU)に重大なリスクをもたらす。
マルチエージェントインタラクションの複雑さは、クラッシュにエスカレートする前に競合を予測できる継続的でリアルタイムな監視システムを必要とする。
本稿では,プライバシ保護,低照度路面センサを活用した,長期交通観測とエッジでのリアルタイムリスク検出のためのモジュール型インフラストラクチャLiDARフレームワークであるPRISAを提案する。
フレームワークは、センシング・認識層とプラグ・アンド・プレイリスク評価モジュールの2つのコアコンポーネントから構成される。
後者は、蓄積された知覚出力からサイト固有のトレーニングデータを自動でキュレートし、手動のアノテーションなしで軌道予測モデルを訓練する。
次に、連続的な動き予測と二重代理安全性評価のためのトレーニングされたモデルをデプロイし、時間対衝突(TTC)を時間的衝突に使用し、横断とVRUに関連する相互作用に予測後時間(PPET)を配置する。
PRISAは、公開R-LiViTデータセットで評価され、テネシー州チャタヌーガのライブシグナル付き交差点でNVIDIA Jetson AGX Thorにデプロイされる。
PPETベースのアセスメントは、2.4秒の予測地平線上で194～msのエンドツーエンドで動作し、TTCベースの検出と認識はリアルタイムな制約内に留まり、アクティブなマルチエージェント交差点安全監視の実現可能性を示す。
関連論文リスト
- VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation [50.18051979020699]
VIPSは擬似シミュレーションに基づくV2I設定における協調自動運転のベンチマークである。
CoS-V2Xはスパース表現に基づく協調計画フレームワークである。
論文 参考訳（メタデータ） (2026-09-02T11:32:52Z) - End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
論文 参考訳（メタデータ） (2026-07-21T02:13:25Z) - A Reliable Context-Aware and Temporal Planning Framework for Autonomous Driving [10.702734504331147]
自律運転のための信頼性のあるコンテキスト認識・時間計画フレームワーク(RCT-AD)を提案する。
Reliable Context Awarenessモジュールは、フレーム単位の信頼性を記録し、信頼できる機能を選択的に保持する。
時間軌道プランナは、長期の依存関係とマルチエージェントインタラクションをキャプチャして、よりスムーズで安全を意識した軌道を生成する。
論文 参考訳（メタデータ） (2026-07-06T05:32:48Z) - OVPD: A Virtual-Physical Fusion Testing Dataset of OnSite Auton-omous Driving Challenge [42.04544329396678]
OVPDは、2025年のOnSite Autonomous Driving Challengeからリリースされた仮想物理核融合テストデータセットである。
仮想バックグラウンドトラフィックと車両とインフラの認識を統合して、制御可能で対話的なクローズループテスト環境を構築する。
データセットには、20チームによる15のアトミックシナリオのシナリオチェーンに関する20のテストクリップが含まれており、合計で3時間近いマルチモーダルデータが含まれている。
論文 参考訳（メタデータ） (2026-04-22T10:44:19Z) - A Lightweight Digital-Twin-Based Framework for Edge-Assisted Vehicle Tracking and Collision Prediction [5.862522659881676]
本稿では,車両追跡と衝突予測のための軽量なデジタルツインベースフレームワークを提案する。
計算集約型予測モデルを導入するのではなく、車両追跡と衝突予測のための軽量なデジタルツインベースのソリューションを導入する。
論文 参考訳（メタデータ） (2026-03-07T20:56:04Z) - Spatiotemporal Semantic V2X Framework for Cooperative Collision Prediction [5.862522659881676]
交通システム(ITS)は、道路の安全を確保し、事故の深刻度を低減するために、リアルタイムの衝突予測を要求する。
従来のアプローチは、道路側ユニット(RSU)から車両に生または高次元の知覚データを送信することに依存していた。
RSU搭載ビデオカメラが将来のフレームのセマンティック埋め込みを生成するセマンティックV2Xフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-23T23:02:04Z) - 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) - Adv-BMT: Bidirectional Motion Transformer for Safety-Critical Traffic Scenario Generation [33.698229638035215]
本稿では,現実のシナリオを多様かつ現実的なトラフィックインタラクションで拡張するAdv-BMTフレームワークを提案する。
Adv-BMTのコアコンポーネントは、逆トラフィック動作予測を行う双方向モーショントランス (BMT) モデルである。
本稿では,Adv-BMTが生成した衝突シナリオの品質を実験により検証した。
論文 参考訳（メタデータ） (2025-06-11T07:54:50Z) - 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) - Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。
5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
論文 参考訳（メタデータ） (2024-04-22T18:45:40Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - 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) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z)
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。