PulseAugur
中
实时 10:10:03
English(EN) MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure

边缘人工智能系统MotoSafety评估两轮车碰撞风险

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MotoSafety，一种新颖的边缘人工智能架构，旨在评估时变压力下两轮车骑手的碰撞风险。该系统利用了大量多变量时间序列序列数据集和学习时间重要性原理。MotoSafety表现出高精度和ROC AUC，优于多个基线模型，并且在预测方面比Time-LLM和iTransformer等其他先进模型显示出显著更低的错误率。其轻量级设计和低延迟使其适合部署在低成本硬件上，潜在应用不仅限于车辆安全，还可扩展到人类活动和临床领域。 AI

影响 这项研究通过在边缘设备上实现实时风险评估，有望为弱势道路使用者带来更有效的安全系统。

排序理由 该集群包含一篇详细介绍新人工智能架构及其在特定任务上性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

边缘人工智能系统MotoSafety评估两轮车碰撞风险

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Sumit S. Shevtekar, Chandresh K. Maurya, Gourab Sil, Subasish Das ·

    MotoSafety：边缘AI结合学习到的时间重要性，用于时间压力下的两轮车碰撞风险评估

    arXiv:2608.17823v1 Announce Type: cross Abstract: Powered two-wheeler riders face critical safety challenges in low- and middle-income countries, yet limited studies exist on how cognitive stressors such as Time Pressure influence collision risk. To address this gap, we introduce…

相关实体

相关话题