論文の概要: HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections

• arxiv url: http://arxiv.org/abs/2607.20505v1
• Date: Thu, 02 Jul 2026 20:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.206423
• Title: HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections
• Title（参考訳）: HERMES:信号区間における交通衝突予測のための異種エッジ関連マルチヘッド埋め込みSSM注意
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2123876307427102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surrogate safety measures (SSMs) enable proactive traffic safety assessment, but many existing methods evaluate pairwise interactions independently or flatten multi-agent scenes into fixed feature vectors, limiting their ability to represent heterogeneous interaction structure and evolving scene-level risk. This study formulates traffic conflict assessment as temporal heterogeneous scene-graph classification and proposes HERMES, a heterogeneous edge-relational graph neural network with SSM-informed multi-head attention. Vehicles and pedestrians are represented as heterogeneous nodes, while vehicle-vehicle, vehicle-pedestrian, and pedestrian-pedestrian interactions are encoded as relation-specific edges with continuous kinematic and surrogate-safety descriptors. Relation-specific attention, dynamic node-edge updates, safety-aware graph pooling, and temporal sequence learning are jointly used to estimate scene-level conflict probability. HERMES was evaluated using 109,028 trajectory-derived sequences from a signalized urban intersection and tested on an independently collected comparable intersection dataset. Enhanced HERMES achieved an AUC-ROC of 0.9898 +/- 0.0013, an AUC-PR of 0.9412 +/- 0.0067, and an F1 score of 0.8449 +/- 0.0103. At a 5% false-alarm rate, it detected 95.7% of conflict sequences, outperforming the strongest Transformer baseline and XGBoost. In zero-shot external evaluation, HERMES achieved an AUC-ROC of 0.9752 and an AUC-PR of 0.7829. Joint source-target training further improved target-site performance with limited target-site data. These findings show that preserving heterogeneous interaction topology, safety-informed edge semantics, and short-term temporal evolution improves scene-level conflict classification and supports transferable roadside safety monitoring at signalized intersections.
• Abstract（参考訳）: サーロゲート安全対策(SSM)は、積極的な交通安全評価を可能にするが、既存の多くの手法では、一対の相互作用を独立に評価したり、複数のエージェントシーンを固定された特徴ベクトルに平らにしたり、不均一な相互作用構造を表現したり、シーンレベルのリスクを進化させる能力を制限する。 本研究では,交通紛争評価を時間的異種シーングラフ分類として定式化し,SSMインフォームドマルチヘッドを用いたヘテロジニアスエッジ関係グラフニューラルネットワークであるHERMESを提案する。 車両と歩行者は異種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、連続的なキネマティックおよびサロゲートセーフな記述子による関係特異的エッジとして符号化される。 シーンレベルの競合確率を推定するために、関係特異的な注意、動的ノードエッジ更新、安全に配慮したグラフプーリング、時間シーケンス学習が共同で使用される。 HERMESは、信号化都市交差点から109,028個の軌道から導かれる配列を用いて評価され、独立に収集された同等の交差点データセットで試験された。 HERMESはAUC-ROC 0.9898 +/- 0.0013、AUC-PR 0.9412 +/- 0.0067、F1スコア 0.8449 +/- 0.0103 を達成した。 5%のfalse-alarmレートで95.7%の競合シーケンスを検出し、トランスフォーマーベースラインとXGBoostを上回った。 ゼロショットの外部評価では、HERMESはAUC-ROC 0.9752、AUC-PR 0.7829を達成している。 ジョイント・ソース・ターゲット・トレーニングは、限られたターゲット・サイト・データを用いて、さらにターゲット・サイト・パフォーマンスを改善した。 これらの結果から,異種間相互作用トポロジ,安全インフォームドエッジセマンティクス,短期的時間的進化の保存は,シーンレベルのコンフリクト分類を改善し,信号化交差点における移動可能な道路側安全監視をサポートすることが示唆された。

関連論文リスト

• LoTA-N2N: Local Trace Adaptation for Zero-Shot Self-Supervised Image Denoising [43.31076762214249]
  単一イメージの自己監督型遮音装置は、使用不能なクリーンターゲットをノイズの観測から構築されたサロゲートターゲットに置き換える。 2段階ゼロショット適応フレームワークであるLoTA-N2Nを提案する。 局所的な構造は空間的キャンセルを防ぎ、上界は対応する大域的相互作用の大きさを示す。
  論文  参考訳（メタデータ） (2026-07-27T08:16:15Z)
• Harnessing Disagreement: Detecting Correlated Agreement Blindness in Multi-Agent Triage [3.164789424470588]
  分散トリガー付きエスカレーションは、マルチエージェント仲裁において構造的な盲点を生み出すことができる。 本稿では,誘導性ランダムフォレスト (RF) エージェントと類似のケースベースk-アネレスト (k-NN) エージェントを組み合わせた指向性星系ARATを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:35:00Z)
• hia-gat: A Heterogeneous Interaction-Aware Graph Attention Network For Frame-Level Traffic Conflict Risk Prediction On Freeways [4.175438574088923]
  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。
  論文  参考訳（メタデータ） (2026-06-25T22:04:54Z)
• HomeGuard: VLM-based Embodied Safeguard for Identifying Contextual Risk in Household Task [42.665798473119516]
  CG-CoT(Context-Guided Chain-of-Thought)を特徴とするアーキテクチャ非依存型セーフガードを提案する。 CG-CoTは、リスクアセスメントをアクティブな知覚に分解し、相互作用対象や関連する空間近傍への注意を順次固定する。 実験により、我々のモデルであるHomeGuardは安全性を大幅に向上し、ベースモデルと比較してリスクマッチ率を30%以上改善することが示された。
  論文  参考訳（メタデータ） (2026-03-15T13:09:43Z)
• Modelling Pedestrian Behaviour in Autonomous Vehicle Encounters Using Naturalistic Dataset [1.8262547855491453]
  本研究では,NuScenesデータセットにおけるミッドブロック遭遇時のマイクロレベルの歩行者行動について検討した。 その結果, 予測性能は中等度でありながら, いくつかの変数が運動調整に有意な影響を及ぼす可能性が示唆された。 これらのパターンは、リスク知覚と運動効率の両方によって引き起こされる複数の行動傾向を反映する可能性がある。
  論文  参考訳（メタデータ） (2026-02-04T23:58:38Z)
• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• A Fine-Grained Attention and Geometric Correspondence Model for Musculoskeletal Risk Classification in Athletes Using Multimodal Visual and Skeletal Features [3.0826008596787253]
  筋骨格障害はアスリートに重大なリスクをもたらし、早期にリスクを評価することは予防に重要である。 本研究では,視覚的および骨格的座標に基づく特徴を用いて筋骨格リスクを分類する,新しいマルチモーダル深層学習フレームワークであるViSK-GATを紹介する。 ViSK-GATは、9つの人気のある移行学習のバックボーンを一貫して上回り、AIによる筋骨格リスク評価を前進させる可能性を示した。
  論文  参考訳（メタデータ） (2025-09-07T04:09:06Z)
• 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)
• Robustifying 3D Perception via Least-Squares Graphs for Multi-Agent Object Tracking [43.11267507022928]
  本稿では,3次元LiDARシーンにおける対向雑音に対する新たな緩和フレームワークを提案する。 我々は最小二乗グラフツールを用いて各検出の遠心点の位置誤差を低減する。 実世界のV2V4Realデータセットに関する広範な評価研究は、提案手法がシングルエージェントとマルチエージェントの両方のトラッキングフレームワークよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-07T08:41:08Z)
• 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)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• 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。