論文の概要: MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure
- arxiv url: http://arxiv.org/abs/2608.17823v3
- Date: Wed, 26 Aug 2026 09:47:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:14.703143
- Title: MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure
- Title（参考訳）: MotoSafety: 時間圧下における二輪衝突リスク評価のための時間的重要度学習エッジAI
- Abstract要約: 我々は、Learned Temporal Importance(LTI)の概念に基づいて構築された新しいエッジAIフレームワークであるMotoSafetyを紹介する。
MotoSafetyは94.97%の精度と99.33%のOC AUCを達成し、10のベースラインを上回っている。
この軽量なフレームワークはPTW衝突リスク評価を推進し、インテリジェントトランスポーテーションシステムのためのセーフシステムアプローチをサポートする。
- 参考スコア（独自算出の注目度）: 0.8272083537040181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Powered two-wheeler riders face critical safety challenges in low- and middle-income countries, yet limited studies exist on how cognitive stressors such as Time Pressure influence collision risk. We address this gap by introducing a comprehensive dataset consisting of over 129,000 labeled multivariate time-series feature windows, gathered across 153 simulator rides from 51 participants under No, Low, and High TP scenarios. Across each sequence, we capture 64 distinct attributes covering vehicle motion, rider control actions, spatial proximity, and rule compliance indicators. Using this dataset, we introduce MotoSafety, a new edge-AI framework built on the Learned Temporal Importance (LTI) concept. MotoSafety achieves 94.97% accuracy and 99.33% ROC AUC, outperforming ten baselines, including TimesNet and LLM4TS, and achieves 0.039 MSE and 0.094 MAE for forecasting (4.4x lower error than Time-LLM and iTransformer). With only 1.15M parameters and 0.135 ms latency, it is suitable for edge deployment on low-cost CPU hardware. Using ground truth TP as an inductive bias improves accuracy from 94.09% to 94.97%, while predicted TP achieves 94.82%. Using only 21 IMU+GPS features, it achieves 93.91% accuracy, indicating practical deployment. Beyond PTW safety, the architecture shows better transferability to human activity (97.66%) and clinical (99.65%) domains. This lightweight framework advances PTW collision risk assessment, supporting the Safe System Approach for Intelligent Transportation Systems.
- Abstract（参考訳）: パワード2輪ライダーは低所得国や中所得国で重要な安全上の課題に直面しているが、タイムプレッシャーなどの認知ストレスが衝突リスクにどのように影響するかについては限定的な研究がある。
我々は、No, Low, High TPシナリオの下で51人の参加者から153回のシミュレーターで収集された129,000以上のラベル付き多変量時系列特徴ウィンドウからなる包括的データセットを導入することで、このギャップに対処する。
各シーケンスにまたがって、車両の動き、ライダー制御動作、空間近接、ルールコンプライアンスインジケータを含む64の異なる属性をキャプチャする。
このデータセットを使用して、Learned Temporal Importance(LTI)の概念に基づいて構築された新しいエッジAIフレームワークであるMotoSafetyを紹介する。
MotoSafetyは94.97%の精度と99.33%のROC AUCを達成し、TimeNetやLLM4TSを含む10のベースラインを上回り、予測用の0.039 MSEと0.094 MAE(Time-LLMやiTransformerより4.4倍低いエラー)を達成した。
1.15Mパラメータと0.135msのレイテンシしか持たないため、低コストのCPUハードウェア上でのエッジデプロイメントに適している。
真理TPを誘導バイアスとして用いると、精度は94.09%から94.97%に向上し、TPは94.82%に達すると予測されている。
21個のIMU+GPS機能しか使用せず、93.91%の精度で実用化されている。
PTWの安全性以外にも、このアーキテクチャは人間の活動(97.66%)と臨床ドメイン(99.65%)への転送性が向上している。
この軽量なフレームワークはPTW衝突リスク評価を推進し、インテリジェントトランスポーテーションシステムのためのセーフシステムアプローチをサポートする。
関連論文リスト
- PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout [36.25772061017794]
PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。
歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。
824の文脈で、797が有効な将来の車両支援を提供し、PV-WMはRoot ADEを5.2%削減し、MPJPEを7.6%、P-V距離誤差を11.9%削減した。
論文 参考訳（メタデータ） (2026-09-07T10:45:26Z) - Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach [0.8819673391477033]
本稿では,モノクロビデオから車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。
提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。
論文 参考訳（メタデータ） (2026-08-17T16:39:06Z) - SafeLand: Safe Autonomous Landing in Unknown Environments with Bayesian Semantic Mapping [41.90149506430796]
安全な自律着陸(SAL)のための視覚ベースシステムであるSafeLandを紹介する。
提案手法は,ディープラーニングに基づくセマンティックセマンティックセグメンテーションによるオンラインセマンティックグラウンドマップを構築し,組み込みデプロイメントに最適化する。
本手法を高度100mまでの産業・都市・農村環境における200のシミュレーションと60のエンドツーエンドフィールドテストで広範囲に評価した。
論文 参考訳（メタデータ） (2026-03-18T07:11:54Z) - Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC [30.927534234540502]
現在の方法は、しばしば厳密なキネマティック制約を単純化または放棄する。
トポロジカル同定と高速化のためのMPCフレームワークを提案する。
連続的なシナリオでは、総操縦時間を51.6%削減する。
密集したボトルネックで81%を超える成功率を維持している。
論文 参考訳（メタデータ） (2026-03-10T04:55:30Z) - Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight [25.084985306310827]
本稿では,視覚に基づく四元数に対する時間-最適軌道最適化フレームワークを提案する。
知覚制約を完全な非線形力学、ローターの作動制限、空力効果、カメラの視野制約、凸幾何学ゲート表現と組み合わせる。
実験では、実際の飛行速度は9.8m/s、平均追跡誤差は0.07m、クローズドループの成功率は55%から100%に向上した。
論文 参考訳（メタデータ） (2026-03-04T17:22:16Z) - Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data [25.57915134826693]
本研究では,様々な気象条件下での高速道路走行において,リアルタイムの安全速度間隔を推奨するハイブリッド予測フレームワークを提案する。
ニューヨーク州バッファローで73日間に660万以上のレコードを含むデータセットを構築した。
モデルが気象条件の変化に対応し、道路セグメントをまたいで一般化する能力は、現実世界の展開を約束する。
論文 参考訳（メタデータ） (2026-02-04T21:06:32Z) - Predicting Time Pressure of Powered Two-Wheeler Riders for Proactive Safety Interventions [0.8272083537040181]
タイムプレッシャーは、パワード2輪ライダーの危険な操縦とクラッシュの傾向に重大な影響を及ぼす。
本研究では,No, Low, High Time Pressure条件下で51人の参加者による153回の乗馬から129,000以上のラベル付き多変量時系列の大規模データセットを提案する。
我々の経験的分析によると、高圧は48%の速度を誘導し、36.4%の速度可変性、58%の交差点でのリスクの高い旋回、36%の急ブレーキ、50%の後部ブレーキ力と非時間圧力を誘導する。
論文 参考訳（メタデータ） (2026-01-06T16:52:09Z) - Edge-AI Perception Node for Cooperative Road-Safety Enforcement and Connected-Vehicle Integration [2.320417845168326]
インドなどの新興国の急速な自動車化は、2023年に1100万件以上の違反が記録されており、4000台あたり約1人の警官が警察に拘束されている。
従来の監視と手動によるチケット発行は、この規模にスケールできないため、自律的で協力的でエネルギー効率のよいエッジAI認識インフラの必要性を動機付けている。
本稿では,多クラス交通違反の分析と,接続されたインテリジェントな車両エコシステム内での安全事象の拡散を行うためのリアルタイム道路側認識ノードを提案する。
論文 参考訳（メタデータ） (2026-01-06T08:02:58Z) - 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) - Towards Evaluating Proactive Risk Awareness of Multimodal Language Models [39.44421152112219]
プロアクティブな安全人工知能(AI)システムは、リアクティブシステムよりもうまく機能する。
PaSBenchは416のマルチモーダルシナリオを通じてこの機能を評価する。
Gemini-2.5-proのようなトップパフォーマーは、71%のイメージと64%のテキスト精度を達成したが、繰り返しトライアルで45-55%のリスクを逃した。
論文 参考訳（メタデータ） (2025-05-23T04:28:47Z) - YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。
YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。
実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
論文 参考訳（メタデータ） (2025-03-18T04:28:05Z) - Advancing Autonomous Vehicle Intelligence: Deep Learning and Multimodal LLM for Traffic Sign Recognition and Robust Lane Detection [11.743721109110792]
本稿では,先進的な深層学習技術とマルチモーダル大規模言語モデル(MLLM)を組み合わせた総合的な道路認識手法を提案する。
交通信号認識では,ResNet-50,Yv8,RT-DETRを評価し,ResNet-50で99.8%,YOLOv8で98.0%,RT-DETRで96.6%の精度を達成した。
車線検出のために,曲線フィッティングにより強化されたCNNに基づくセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2025-03-08T19:12:36Z) - Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化
MTEは精度と不確実性の両方を同時に向上させることができる。
例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
論文 参考訳（メタデータ） (2024-05-30T03:15:59Z) - EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。
ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。
我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文 参考訳（メタデータ） (2023-11-10T18:49:53Z)
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。