論文の概要: Quantifying Spectral Differences in Vehicle Kinematics Between Production Autonomous and Human-Driven Vehicles Across Driving Scenarios

• arxiv url: http://arxiv.org/abs/2609.12609v2
• Date: Tue, 15 Sep 2026 17:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.075053
• Title: Quantifying Spectral Differences in Vehicle Kinematics Between Production Autonomous and Human-Driven Vehicles Across Driving Scenarios
• Title（参考訳）: 運転シナリオにおける生産自律車と人力車の運動特性のスペクトル差の定量化
• Abstract要約: 本研究では,4つのPAVプラットフォームを用いた実世界のPAVデータセットを適用し,様々な運転シナリオにおけるPAVとHVの運動学的差異を定量化した。 降雨条件は明確な条件と比較して加速関連差を連続的に拡大した。
• 参考スコア（独自算出の注目度）: 2.996409029114409
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Differences in vehicle kinematic characteristics between production autonomous vehicles (PAVs) and human-driven vehicles (HVs) have been limitedly investigated by empirical studies. Most recent studies rely on simulation-based models, while some further investigate low-level adaptive cruise control (ACC) systems in controlled experiments. These methods commonly adapt some time-domain metrics to characterize PAV-HV differences across limited driving conditions. However, current PAVs equipped with high-level autonomous driving systems generate driving behaviors in a black box using data-driven models. These fundamentally different mechanisms for generating behaviors may produce distinct kinematic characteristics in traffic. More importantly, these time-domain metrics cannot reflect frequency-related traffic dynamics across different driving scenarios. Thus, this study adapted a real-world PAV dataset with four PAV platforms and developed a frequency-domain framework to quantify kinematic differences between PAVs and HVs across diverse driving scenarios, including varying driving states, lighting, weather, and vehicle densities. The framework transforms kinematic signals into the frequency domain and extracts spectral features, and then compares these features between PAVs and HVs based on kernel density estimation and Wasserstein distance. The results reveal clear scenario-dependent PAV-HV spectral differences. Specifically, speed-related differences were consistently smaller during car-following than cruising, while rainy conditions consistently enlarged acceleration-related differences compared with clear conditions. These findings highlight the necessity of multi-scenario evaluations and demonstrate the value of frequency-domain analysis for characterizing PAV-HV kinematic differences under real-world conditions.
• Abstract（参考訳）: 生産型自動運転車(PAV)と人間駆動型自動車(HV)の車体運動特性の差異を実証研究により限定的に検討した。 最近の研究はシミュレーションに基づくモデルに依存しているが、一部の研究では制御実験における低レベル適応巡航制御(ACC)システムについて研究している。 これらの手法は通常、限られた運転条件間でのPAV-HV差を特徴付けるために時間領域のメトリクスを適用する。 しかし、高レベルの自律運転システムを備えた現在のPAVは、データ駆動モデルを用いてブラックボックス内での運転行動を生成する。 これらの基本的に異なる振る舞いを生成するメカニズムは、トラフィックにおいて異なるキネマティックな特性を生み出す可能性がある。 さらに重要なのは、これらのタイムドメインメトリクスは、異なる駆動シナリオにわたる周波数関連トラフィックのダイナミクスを反映できないことです。 そこで本研究では,4つのPAVプラットフォームを用いた実世界のPAVデータセットを適用し,各種駆動シナリオにおけるPAVとHVの運動学的差異を定量化する周波数領域フレームワークを開発した。 このフレームワークは、周波数領域にキネマティック信号を変換し、スペクトル特徴を抽出し、カーネル密度推定とワッサーシュタイン距離に基づいて、これらの特徴をPAVとHVで比較する。 その結果, シナリオ依存性のPAV-HVスペクトル差が明らかとなった。 特に, 降雨時の速度関連差は, クルージング時に比べて一定に小さく, 降雨時の速度関連差はクリア条件と比較して常に拡大した。 これらの知見は, 実環境下でのPAV-HVキネマティックな相違を特徴付けるために, 周波数領域解析の意義を浮き彫りにした。

関連論文リスト

• DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
  本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。 このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
  論文  参考訳（メタデータ） (2026-06-05T07:33:57Z)
• STREAM-VAE: Dual-Path Routing for Slow and Fast Dynamics in Vehicle Telemetry Anomaly Detection [1.7751300245073598]
  STREAM-VAEは、自動車テレメトリ時系列データにおける異常検出のための変分自動エンコーダである。 モデルでは,低速ドリフトと高速スパイク信号のダイナミックスを分離するためにデュアルパスエンコーダと,過渡偏差を表すデコーダを用いる。
  論文  参考訳（メタデータ） (2025-11-19T10:58:40Z)
• Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior [19.229274803939983]
  我々は、運転動作を異なるIDMパラメータセットで制御できるレギュラースイッチングフレームワークを導入する。 IDM力学を用いたファクショナル隠れマルコフモデルを用いてフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-17T17:55:42Z)
• A Driving Regime-Embedded Deep Learning Framework for Modeling Intra-Driver Heterogeneity in Multi-Scale Car-Following Dynamics [5.579243411257874]
  本稿では、離散駆動方式を車体運動予測に組み込む新しいデータ駆動型自動車追従フレームワークを提案する。 提案したハイブリッドディープラーニングアーキテクチャは、離散運転系統分類のためのGated Recurrent Unitsと、連続的キネマティック予測のためのLong Short-Term Memory Networkを組み合わせたものである。 このフレームワークはアクセラレーションの予測誤差を著しく減らし(最大MSE改善は58.47%に達した)、速度と距離を計測し、重要な交通現象を再現する。
  論文  参考訳（メタデータ） (2025-06-06T09:19:33Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Automatic extraction of similar traffic scenes from large naturalistic datasets using the Hausdorff distance [0.0]
  集合の数学的距離計量であるハウスドルフ距離を用いる4段階抽出法を提案する。 この方法により、コストと時間を要する運転シミュレーション実験を必要とせず、操作的および戦術的人間の行動の変動について検討することができる。
  論文  参考訳（メタデータ） (2022-06-17T06:59:51Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Gaussian Processes for Traffic Speed Prediction at Different Aggregation Levels [3.997680012976965]
  本研究は,交通速度予測にガウス過程(GP)を適用した。 生成したモデルの性能について, 各種凝集レベル(1～60分)の1段階予測を検証した。 その結果、GPモデルは、同様の計算時間で比較モデルよりも一貫して性能を向上できると期待されている。
  論文  参考訳（メタデータ） (2020-11-24T03:05:01Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。