論文の概要: Vision-Based Density Estimation for Adaptive Traffic Control
- arxiv url: http://arxiv.org/abs/2610.38497v1
- Date: Wed, 28 Oct 2026 09:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 10:35:08.420281
- Title: Vision-Based Density Estimation for Adaptive Traffic Control
- Title（参考訳）: 適応的交通制御のための視覚に基づく密度推定
- Abstract要約: 構造的な視覚的観測からトラフィックフローを直接最適化する枠組みを提案する。
提案手法では,カメラフィードから空間密度マップへのマッピングを学習する畳み込みニューラルネットワーク(CNN)を提案する。
密度推定段階は、インド・ジャイプールのラムバグ4号の40枚の注釈画像で評価され、5倍の検証平均絶対誤差(MAE)は3.32 pm 0.95$、平均絶対パーセンテージ誤差(MAPE)は14.5%と報告された。
- 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: Traffic congestion is becoming a critical challenge in rapidly growing urban centers, particularly in developing nations where rapid urbanization and inadequate transport infrastructure place increasing strain on transport networks. In highly heterogeneous and chaotic traffic flows, camera-based traffic-state estimation is limited by severe vehicle occlusion and overlap. In this paper, we propose a framework to optimize traffic flow directly from stochastic visual observations. The architecture is structurally decoupled into three primary components: (a) vehicle density estimation, (b) predictive dynamics modeling, and (c) policy optimization. The proposed methodology introduces a convolutional neural network (CNN) that learns the mapping from camera feeds to spatial density maps, utilizing an adaptive k-nearest-neighbor (k-NN) Gaussian kernel to handle varying congestion levels. This feeds into an ST3DNet predictive module for spatiotemporal forecasting, followed by a hierarchical Graph-Transformer Multi-Agent Reinforcement Learning (MARL) algorithm to optimize signal phases. The density estimation stage was evaluated on 40 annotated intersection images from Rambagh 4, Jaipur, India, with a reported five-fold validation mean absolute error (MAE) of $3.32 \pm 0.95$ vehicles and a mean absolute percentage error (MAPE) of 14.5%. These results pertain to the perception component; empirical training and evaluation of the forecasting and control stages remain future work.
- Abstract（参考訳）: 交通渋滞は、特に急速な都市化と不適切な交通インフラが交通ネットワークの緊張を増す発展途上国において、急速に成長する都市の中心において重要な課題となっている。
ヘテロジニアスでカオス的な交通流では、カメラベースの交通状態推定は車両の厳密な閉塞と重なりによって制限される。
本稿では,確率的視覚観測から直接トラフィックフローを最適化する枠組みを提案する。
アーキテクチャは構造的に3つの主要コンポーネントに分離されています。
(a)車両密度推定
(b)予測力学モデリング、及び
(c)政策最適化。
提案手法は、カメラフィードから空間密度マップへのマッピングを学習する畳み込みニューラルネットワーク(CNN)を導入し、適応的なk-nearest-neighbor (k-NN) Gaussianカーネルを用いて、様々な混雑レベルを処理する。
これは時空間予測のためのST3DNet予測モジュールに入力され、次いで階層型グラフ変換器マルチエージェント強化学習(MARL)アルゴリズムで信号位相を最適化する。
密度推定段階は、インド・ジャイプルのラムバグ4号からの40枚の注釈付き交差点画像で評価され、5倍の検証平均絶対誤差(MAE)は3.32 pm 0.95$自動車で、平均絶対パーセンテージ誤差(MAPE)は14.5%と報告された。
これらの結果は知覚要素に関係しており、予測および制御段階の実証的なトレーニングと評価は今後の作業のままである。
関連論文リスト
- A Road-Conditioned Traffic Movie Prediction Network with Spatiotemporal and Structure-Consistent Learning [7.461918364557348]
既存の交通映像予測手法ではフレームレベルの精度が向上しているが,画像再構成を中心に予測処理を行っているものも多い。
本研究では,交通映画予測をトポロジ誘導による将来状態生成として再構成する道路時空間ネットワークRCSNetを提案する。
RCSNetは、静的道路地図モデルから道路認識表現を抽出し、方向の交通特徴を局所構造と整列させ、時間的整合性を改善するために将来の交通地図を生成する。
論文 参考訳（メタデータ） (2026-05-27T03:07:53Z) - Pixels to Signals: A Real-Time Framework for Traffic Demand Estimation [0.0]
包括的な方法論は、トラフィックフローの最適化と遅延の最小化を目的として設計されている。
このフレームワークは、(a)車両検出、(b)交通予測、(c)交通信号最適化の3つの主要コンポーネントで構成されている。
論文 参考訳（メタデータ） (2025-10-28T19:04:53Z) - Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining [3.3248768737711045]
本研究の目的は、CCTV監視ビデオとマルチソースデータを統合し、リアルタイムの都市交通予測を強化する統一的なフレームワークを開発することである。
このフレームワークは46台のカメラにまたがる313,931個のバウンディングボックスからなるCityFlowデータセットで評価された。
論文 参考訳（メタデータ） (2025-10-04T06:11:34Z) - Traffic-Aware Pedestrian Intention Prediction [2.5240171181791276]
本稿では,交通標識とその状態と歩行者の意図を予測する交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。
提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。
論文 参考訳（メタデータ） (2025-07-16T17:20:36Z) - ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
シーン理解には3次元セマンティック占有とフロー予測が不可欠である。
本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。
我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
論文 参考訳（メタデータ） (2024-11-12T11:32:56Z) - 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) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - 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。