論文の概要: Safety-oriented pedestrian trajectory prediction at urban intersections using time-to-collision and crossing-zone context

• arxiv url: http://arxiv.org/abs/2609.29706v1
• Date: Mon, 31 Aug 2026 11:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.115148
• Title: Safety-oriented pedestrian trajectory prediction at urban intersections using time-to-collision and crossing-zone context
• Title（参考訳）: 時間-衝突・交差領域コンテキストを用いた都市交差点における安全指向歩行者軌道予測
• Abstract要約: 本研究では,歩行者の移動履歴と時間対衝突情報と交差ゾーン指標を組み合わせた安全指向の軌道予測フレームワークを提案する。 その結果,安全指向型トレーニングとコンテキスト情報の統合により,大きな軌道予測誤差を低減できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate pedestrian trajectory prediction is important for proactive road-safety applications, particularly at urban intersections where pedestrian motion is shaped by both vehicle interactions and crossing context. This study presents a safety-oriented trajectory-prediction framework that combines pedestrian motion history with Time-to-Collision (TTC) information and crossing-zone indicators. Using naturalistic trajectories from one urban intersection in the inD (Intersection Drone) dataset, several neural architectures were evaluated with 1.6 s observation and 2.4 s prediction horizons. A pooled Long Short-Term Memory (LSTM) separately encodes TTC histories and crossing-zone context before integrating them with pedestrian positions. In addition to conventional Average Displacement Error (ADE) and Final Displacement Error (FDE), prediction performance was assessed using the frequency and magnitude of errors exceeding a study-defined 1 m tolerance. A weighted loss was also introduced to place greater training emphasis on large coordinate-wise errors. Applying this loss to the position-only LSTM reduced ADE from 0.210 to 0.190 m and FDE from 0.550 to 0.503 m, while reducing ADE and FDE exceedance counts by 34.8% and 19.8%, respectively. The final pooled configuration incorporating TTC and crossing-zone information achieved an ADE of 0.184 m and FDE of 0.491 m, with further reductions of 33.5% and 6.3% in ADE and FDE exceedance counts relative to the safety-oriented position-only LSTM. The results indicate that safety-oriented training and structured integration of interaction and contextual information can reduce large trajectory-prediction errors, although broader validation across pedestrians, sites, and datasets is required.
• Abstract（参考訳）: 歩行者の正確な軌跡予測は、特に歩行者の動きが車両の相互作用と交差状況の両方によって形作られる都市交差点において、積極的に道路安全に適用するために重要である。 本研究では,歩行者の移動履歴とTTC(Time-to-Collision)情報と交差ゾーンインジケータを組み合わせた安全指向の軌道予測フレームワークを提案する。 InD(Intersection Drone)データセットの1つの都市交差点からの自然的軌跡を用いて、1.6秒の観測と2.4秒の予測地平線を用いて、いくつかのニューラルネットワークを評価した。 プールドロング短期記憶(LSTM)は、歩行者の位置と統合する前に、TTC履歴とクロスゾーンコンテキストを別々に符号化する。 従来の平均変位誤差 (ADE) と最終変位誤差 (FDE) に加えて, 実験で定義された1m以上の誤差の頻度と大きさを用いて予測性能を評価した。 重み付き損失も導入され、大規模な座標誤差のトレーニングに重点が置かれた。 この位置限定LSTMへの損失によりADEは0.210mから0.190m、FDEは0.550mから0.503mに減少し、ADEとFDEはそれぞれ34.8%、FDEは19.8%に減少した。 TTCと交差ゾーン情報を組み込んだ最終的なプール配置は、ADEが0.184m、FDEが0.491m、ADEが33.5%、FDEが6.3%、そして安全指向のLSTMが6.3%となった。 その結果、歩行者、サイト、データセットにまたがる幅広い検証が必要であるが、安全指向のトレーニングと、相互作用情報とコンテキスト情報の構造化統合により、大きな軌道予測誤差を低減できることが示唆された。

関連論文リスト

• SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-13T22:17:48Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Interval Prediction of Annual Average Daily Traffic on Local Roads via Quantile Random Forest with High-Dimensional Spatial Data [0.0]
  年平均日平均トラフィック(AADT)データは、交通計画とインフラ管理に不可欠である。 最近の機械学習の進歩は、計測されていない場所でのAADT推定を改善した。 本研究では,予測の不確実性を明示的に定量化する区間予測手法を導入することにより,そのギャップを解消する。
  論文  参考訳（メタデータ） (2025-10-21T11:56:57Z)
• 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)
• 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)
• A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline [0.5221459608786241]
  交通事故のデータベースから,事故期間,道路状況,気象データを収集し,交通事故の持続時間パイプラインの実現可能性を確認した。 我々の二分分類ランダム林モデルでは,短期効果と長期効果を83%の精度で区別した。 SHAP値解析により, 気象条件, 風速, 風速が, 事故の期間を決定する上で最も重要な要因となった。
  論文  参考訳（メタデータ） (2023-11-01T16:33:37Z)
• Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
  マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価 余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。 本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
  論文  参考訳（メタデータ） (2023-05-10T16:27:55Z)
• Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
  事故が起こる前の事故と近距離事故には差はない。 我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。 提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
  論文  参考訳（メタデータ） (2023-01-06T22:04:47Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。