論文の概要: One Perception, All Maneuvers: Directional Traffic Signal Understanding for Maneuver-Level Signal Intent Prediction
- arxiv url: http://arxiv.org/abs/2609.32316v1
- Date: Sat, 26 Sep 2026 07:19:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:50:07.610968
- Title: One Perception, All Maneuvers: Directional Traffic Signal Understanding for Maneuver-Level Signal Intent Prediction
- Title（参考訳）: 主観的, すべての主観的: 主観的信号入射予測のための方向的信号理解
- Abstract要約: Directional Traffic Signal Understandingは、フロントビューイメージからストレート、左ターン、右ターン、Uターンの操作のための構造化信号状態を予測する。
方向対応ベースラインは、グローバルコンテキスト、局所的なトラフィックライトエビデンス、および操作固有の表現を組み合わせたものだ。
- 参考スコア（独自算出の注目度）: 19.154013973285668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic lights are a key regulatory signal for autonomous driving at urban intersections, yet existing traffic signal perception is still predominantly formulated as instance-level detection or color recognition. Such formulations identify where traffic lights are and what colors they display, but leave a critical semantic gap before downstream planning: which ego maneuver is controlled by each visible signal and what dynamic permission the signal expresses for that maneuver. In this paper, we formulate Directional Traffic Signal Understanding, a decision-oriented task that predicts structured signal states for straight, left-turn, right-turn, and U-turn maneuvers from a front-view image. Each state contains the associated signal color and signal-implied passability. Based on OpenLane-V2, we provide a direction-level benchmark with maneuver-level supervision and metrics for color recognition, passability, full-frame consistency, and safety-critical errors. A direction-aware baseline combines global context, localized traffic-light evidence, and maneuver-specific representations. Experiments show that direction-level modeling improves passability prediction over image-level classifiers and detection-oriented pipelines, particularly at complex multi-signal intersections. The resulting representation provides a direct and interpretable traffic-signal interface for downstream planning together with topology, route, and surrounding-agent information.
- Abstract（参考訳）: 交通信号は、都市交差点における自動運転のための重要な規制信号であるが、既存の交通信号の認識は、多くの場合、インスタンスレベルの検出や色認識として定式化されている。
このような定式化は、信号機の位置と表示色を識別するが、下流計画の前に重要なセマンティックギャップを残している。
本稿では, 正面画像からの直進, 左旋回, 右旋回, 右旋回, 右旋回に対する構造化信号状態の予測を行う決定指向タスクである指向性信号理解(Directional Traffic Signal Understanding)を定式化する。
各状態は、関連する信号色と信号によって実装された透過性を含む。
OpenLane-V2に基づいて、カラー認識、パスビリティ、フルフレーム一貫性、安全クリティカルエラーに対する操作レベルの監視とメトリクスを備えた、方向レベルのベンチマークを提供する。
方向対応ベースラインは、グローバルコンテキスト、局所的なトラフィックライトエビデンス、および操作固有の表現を組み合わせたものだ。
実験により、方向レベルのモデリングは、画像レベルの分類器や検出指向パイプライン、特に複雑な多信号交差点でのパス可能性予測を改善することが示された。
結果の表現は、トポロジ、ルート、周辺エージェント情報とともに、下流計画のための直接的かつ解釈可能なトラフィック信号インタフェースを提供する。
関連論文リスト
- VLALight: Lightweight Vision-Language-Action Models for Emergency-Aware Traffic Signal Control [8.929105961048135]
VLALightは、TSCのための軽量なビジョン言語アクションフレームワークである。
交叉観測と信号相情報を離散的な信号行動にマッピングする。
実験によると、VLALightは、比較したすべての方法で最高の緊急車両サービスを提供している。
論文 参考訳（メタデータ） (2026-09-25T02:36:44Z) - A Graph-Based Control Interface for Traffic Signals on Heterogeneous Road Networks [0.0]
本稿では,共有グラフニューラルネットワークが個々の交通行動にスコアを割り当てるトラヒック信号制御インタフェースを提案する。
方向付けられた回廊ノードはトラフィックコンテキストを提供し、移動ノードは制御された入出力経路を表す。
実験は、目に見えない合成格子ジオメトリ、変化した信号カバレッジ、および5つの異種都市グラフのインターフェースを評価する。
論文 参考訳（メタデータ） (2026-07-23T21:44:55Z) - Explainable Reinforcement Learning for Adaptive Traffic Signal Control [0.0]
適応的な信号制御のための強力なパラダイムとして強化学習(RL)が登場した。
この試みは、安全で透過的な信号制御のための、新しい、説明可能なエンティティ中心のRLフレームワークを導入している。
論文 参考訳（メタデータ） (2026-07-04T04:45:54Z) - OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning [47.85568621735744]
トラフィック推論のための制御可能なパイプライン生成とベンチマークであるOmniTrafficを紹介した。
現実世界の12の交差点に建設され、2つの国の監視映像によって再建されている。
シーン認識、多視点、時間的推論、意思決定支援にまたがる3段階のタスク階層を定義する。
論文 参考訳（メタデータ） (2026-06-14T11:16:53Z) - Knowledge-Informed Multi-Agent Trajectory Prediction at Signalized Intersections for Infrastructure-to-Everything [7.452533291998081]
我々は、I2X(Infrastructure-to-Everything)協調予測スキームを導入する。
このスキームでは、ロードサイドユニット(RSU)は独立して全ての車両の将来の軌跡を予測する。
我々は,専用インフラストラクチャベースの軌道予測モデルであるI2XTrajを提案する。
論文 参考訳（メタデータ） (2025-01-23T08:23:45Z) - Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。
記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。
提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
論文 参考訳（メタデータ） (2024-07-08T10:51:03Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Towards formalization and monitoring of microscopic traffic parameters
using temporal logic [1.3706331473063877]
本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。
我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。
この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
論文 参考訳（メタデータ） (2021-10-12T17:59:26Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。
近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。
本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文 参考訳（メタデータ） (2021-01-04T03:06:08Z)
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。