論文の概要: SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation

• arxiv url: http://arxiv.org/abs/2607.20549v1
• Date: Mon, 13 Jul 2026 22:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.228952
• Title: SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation
• Title（参考訳）: SevDiff:Long-Tail Conflict Trajectory Generationのための重大条件拡散
• Abstract要約: 本稿では、重度条件付きdenoising diffusion probabilistic model(DDPM)であるSevDiffを紹介する。 衝突の重大度が要求と一致し、ヒットレートメトリックで評価された、ペア化された車両の相互作用軌跡を生成する。 TTCで0.5-1.5秒、2.0-2.5秒で97-99%、TTC = 5.0秒で39%と優雅に劣化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory datasets used in ADAS evaluation are heavily biased toward routine driving; genuine vehicle-to-vehicle conflict events are rare, and the rarer the event, the higher the cost when an ADAS system fails to handle it. Existing generative approaches address this imbalance by conditioning on scene-level properties - spatial goals, agent structure, or natural-language adversarial objectives - but none can accept a target Time-to-Collision (TTC) value as input and be held to producing it within a measurable error. This paper introduces SevDiff, a severity-conditioned denoising diffusion probabilistic model (DDPM) that accepts a requested minimum TTC value as a scalar conditioning signal and generates paired vehicle interaction trajectories whose realized conflict severity matches the request, evaluated through a hit-rate metric. Trained on 468 interaction windows extracted from the UTE SQM-W-1 expressway weaving-section dataset (1,041 vehicles, 822,691 observations after smoothing), SevDiff achieves 100% hit-rate within +/-0.5 s for TTC targets of 0.5-1.5 s and 97-99% at 2.0-2.5 s, with graceful degradation to 39% at TTC = 5.0 s. Generated kinematic features are physically plausible, with a maximum out-of-range rate of 4.7% across 12 features and no negative speed or gap values in more than 96.5% of samples. The hit-rate degradation pattern is physically interpretable as the strength of the conditioning signal relative to the training prior, making it a precision characterization of the generator rather than a pass/fail result.
• Abstract（参考訳）: ADAS評価で使用される軌道データセットは、定期運転に大きく偏りがあり、真の車両間衝突イベントは稀であり、まれに、ADASシステムがそれを扱うことができない場合にコストが高くなる。 既存の生成的アプローチは、シーンレベルの特性(空間目標、エージェント構造、自然言語の対向目的)を条件にすることで、この不均衡に対処するが、目標のTTC(Time-to-Collision)値を入力として受け入れることはできない。 本稿では、要求最小TTC値をスカラー条件信号として受け入れ、競合の重大度が要求と一致したペア車間相互作用トラジェクトリを生成するDDPM(SevDiff)を提案する。 UTE SQM-W-1高速道路ウィービングセクションデータセット(平滑化後の822,691回観測)から抽出された468のインタラクションウィンドウで、SevDiffはTTC目標の0.5-1.5 s、2.0-2.5 sで97-99%、TTC = 5.0 sで39%の優雅な劣化を達成している。 生成されたキネマティックな特徴は物理的に妥当であり、12種類の特徴に対して最大で4.7%のアウト・オブ・レンジ率であり、96.5%以上のサンプルでは負の速度やギャップ値がない。 ヒットレート劣化パターンは、トレーニング前の条件信号の強度として物理的に解釈可能であり、パス/フェイル結果ではなく、ジェネレータの精度評価を行う。

関連論文リスト

• Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees [0.0]
  低コストの商用偽装製品は、応答エンジンがリアルタイムモデル駆動のフィードバックに結びついていないという、関連する弱点を共有している。 メカニズムは、両方の欠点に対処するために、オープンに分散されたアダプティブなハニーポットプラットフォームである。
  論文  参考訳（メタデータ） (2026-08-15T20:30:14Z)
• From Checker to Forecaster: Code-Owned Evaluation of Model-Generated Strategic Routes Under Delayed Ground Truth [0.0]
  RouteCastはモデル生成型戦略ルートの仕組みをインスタンス化する。 暫定予測が作成され、後の結果で予測が評価される。 将来的な校正、因果決定の改善、経路分割の優位性、ドメイン間の妥当性は確立していない。
  論文  参考訳（メタデータ） (2026-07-13T00:36:48Z)
• 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)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
  適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
  論文  参考訳（メタデータ） (2026-05-02T02:13:11Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Cybersecurity-Focused Anomaly Detection in Connected Autonomous Vehicles Using Machine Learning [4.800738030285873]
  連結自動運転車(CAV)の異常検出は、安全で信頼性の高い輸送ネットワークを維持するために不可欠である。 本研究では、車両の挙動をシミュレートし、典型的および非典型的な車両間の相互作用を表すデータセットを生成する異常検出手法について検討する。 機械学習モデルを用いて、異常運転パターンを効果的に同定する。
  論文  参考訳（メタデータ） (2025-06-28T19:11:19Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。