論文の概要: Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer

• arxiv url: http://arxiv.org/abs/2609.16058v1
• Date: Sun, 13 Sep 2026 08:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.117815
• Title: Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer
• Title（参考訳）: 物理拘束型自己回帰変換器を用いた信号化区間におけるドライバの挙動推定
• Abstract要約: 赤信号違反や信号交差点での厳しいブレーキは、交通事故の主要な原因となっている。 本稿では,交通信号の遷移に伴う運転者の意思決定と縦方向の軌跡の挙動を解析し,予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Red-light violations and harsh braking at signalized intersections are major contributors to traffic accidents. This paper analyzes and predicts human driver decision-making and longitudinal trajectory behavior during traffic light signal transitions. We collected a diverse real-world dataset comprising 449 approach runs under varying speed and distance conditions. Vehicle motion was recorded using RTK-corrected GNSS with centimeter-level accuracy, and driver heart rate and multi-level comfort ratings were monitored. Spatial and temporal calibration ensured precise alignment between vehicle state and signal timing. Statistical analysis identifies required deceleration as the dominant single predictor of the stop-go decision, and heteroscedastic Gaussian modeling of peak deceleration reveals five empirical comfort ranges derived from human stopping behavior. Based on this insight, we propose a two-stage modeling framework. Stage 1 predicts the binary maneuver decision, and Stage 2 generates the longitudinal acceleration trajectory using a decision-conditioned autoregressive Transformer with physics constraints, including target-state conditioning and jerk limits. The proposed architecture outperforms baseline methods and achieves 0.49m/s^2 acceleration MAE and 0.62m distance MAE. It also estimates the future stopping-comfort level of the human driver from a single yellow-onset snapshot. Qualitative results demonstrate realistic human-like braking behavior. The dataset and source code are publicly available.
• Abstract（参考訳）: 赤信号違反や信号交差点での厳しいブレーキは、交通事故の主要な原因となっている。 本稿では,交通信号の遷移に伴う運転者の意思決定と縦方向の軌跡の挙動を解析し,予測する。 異なる速度と距離条件下での449のアプローチによる多種多様な実世界のデータセットを収集した。 RTK補正GNSSを用いて車体運動を記録し,運転者の心拍数とマルチレベル快適度を測定した。 空間的・時間的キャリブレーションにより、車両の状態と信号タイミングの正確な一致が保証された。 統計的解析により,所要の減速が停止決定の優位な単一予測因子であることが明らかとなり,ピーク減速のヘテロセダスティックなガウス的モデリングにより,人間の停止行動から生じる5つの経験的快適範囲が明らかとなった。 この知見に基づいて,2段階モデリングフレームワークを提案する。 ステージ1はバイナリ操作決定を予測し、ステージ2は、目標状態条件やジャーク制限を含む物理制約付き決定条件付き自己回帰変換器を用いて、長手加速度軌跡を生成する。 提案手法はベースライン法より優れ,0.49m/s^2加速MAEと0.62m距離MAEを実現する。 また、1つのイエローオンセットスナップショットから、人間のドライバーの将来の停止快適度を推定する。 質的な結果は、現実的な人間のようなブレーキ行動を示す。 データセットとソースコードは公開されている。

関連論文リスト

• VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction [12.667879370269455]
  本稿では,パーソナライズされた停止と決定時間予測のためのセマンティックな条件付きフレームワークであるVISTA-DZを提案する。 SDZデータセットと新たに収集されたFDZデータセットの実験によると、VISTA-DZは軌道のみのパーソナライゼーションベースラインと手作りのパーソナライゼーションベースラインより優れている。
  論文  参考訳（メタデータ） (2026-06-28T18:22:07Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles [15.499947452168891]
  車線における軌道プランナのパフォーマンス向上 - 車両の変更は、人間と機械の混在した交通の中での自動運転における重要な課題の1つだ。 既存の研究の多くは、軌道計画モデルの設計において、人間の運転者の事前の知識を取り入れていない。 本研究では,因果的事前知識を制御プロセスに統合する新たな軌道計画手法を提案する。
  論文  参考訳（メタデータ） (2025-12-21T11:44:32Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• MIAT: Maneuver-Intention-Aware Transformer for Spatio-Temporal Trajectory Prediction [4.093236466389434]
  ManeuverIntention-Aware Transformer (MIAT)は、意図認識制御機構と様々な相互作用モデリングを統合する。 実世界のNGSIMデータセットに対する我々のアプローチを評価し,様々なトランスフォーマーおよびLSTMに基づく手法を用いてベンチマークを行った。 MIATはロングホライゾン予測において11.1%のパフォーマンス向上を実現しており、短期ホライゾン性能はわずかに低下している。
  論文  参考訳（メタデータ） (2025-04-07T13:30:00Z)
• Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
  車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。 本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-05T12:43:15Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation, and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic Lanes [5.735035463793008]
  本稿では,VT-Laneを用いて得られた高精度な軌跡と移動分類を取り入れたケーススタディを提案する。 我々は、高度に計測された車両を用いて、ビデオ推論から得られた推定速度を検証する。 次に、推定速度を用いて、研究領域における車両の運転行動モデルのパラメータを校正する。
  論文  参考訳（メタデータ） (2021-06-18T06:15:53Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。