論文の概要: Finding manoeuvre motifs in vehicle telematics
- arxiv url: http://arxiv.org/abs/2002.04127v1
- Date: Mon, 10 Feb 2020 23:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 08:38:37.930040
- Title: Finding manoeuvre motifs in vehicle telematics
- Title（参考訳）: 車載テレマティクスにおける操作モチーフの発見
- Authors: Maria In\^es Silva and Roberto Henriques
- Abstract要約: 運転行動を分析する一般的な方法は、運転している運転者について有用な情報を提供するように、操作者に焦点を移すことである。
本稿では,車載テレマティクスデータから,時系列におけるモチーフ検出を通じて,新たな操作を識別する方法について検討する。
- 参考スコア（独自算出の注目度）: 3.42658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving behaviour has a great impact on road safety. A popular way of
analysing driving behaviour is to move the focus to the manoeuvres as they give
useful information about the driver who is performing them. In this paper, we
investigate a new way of identifying manoeuvres from vehicle telematics data,
through motif detection in time-series. We implement a modified version of the
Extended Motif Discovery (EMD) algorithm, a classical variable-length motif
detection algorithm for time-series and we applied it to the UAH-DriveSet, a
publicly available naturalistic driving dataset. After a systematic exploration
of the extracted motifs, we were able to conclude that the EMD algorithm was
not only capable of extracting simple manoeuvres such as accelerations, brakes
and curves, but also more complex manoeuvres, such as lane changes and
overtaking manoeuvres, which validates motif discovery as a worthwhile line for
future research.
- Abstract（参考訳）: 運転行動は道路安全に大きな影響を与えます。
運転行動を分析する一般的な方法は、運転者の有用な情報を提供するため、焦点を操作者に移すことである。
本稿では,車載テレマティクスデータから,時系列におけるモチーフ検出を通じて,新たな操作を識別する方法を検討する。
我々は,時系列のための古典的可変長モチーフ検出アルゴリズムである拡張モチーフディスカバリ(emd)アルゴリズムの修正版を実装し,公開可能な自然駆動データセットであるuah-drivesetに適用した。
抽出されたモチーフを体系的に探索した結果,emdアルゴリズムは加速度,ブレーキ,曲線などの単純なモチーフを抽出できるだけでなく,レーン変更やモチーフ発見を将来研究の価値のある線として検証するマヌーヴルよりも複雑なモチーフを抽出できることがわかった。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳（メタデータ） (2024-11-25T12:09:43Z) - Anomalous Behavior Detection in Trajectory Data of Older Drivers [0.8426358786287627]
本稿では,時間的詳細トラジェクトリデータセットの重要な特性を表現できるエッジ属性行列を提案する。
実世界のデータセットを用いた実験により,本手法は異常運転行動を認識することを示した。
論文 参考訳（メタデータ） (2023-11-29T17:22:28Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。
イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。
この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
論文 参考訳（メタデータ） (2022-12-15T09:53:49Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
未知の物体を検出する新しいパイプラインを提案する。
我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
論文 参考訳（メタデータ） (2022-05-03T10:58:41Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - TripMD: Driving patterns investigation via Motif Analysis [3.42658286826597]
TripMDは、センサ記録から最も関連性の高い駆動パターンを抽出するシステムである。
本システムでは,1人の運転者から多数の運転パターンを抽出できることを示す。
論文 参考訳（メタデータ） (2020-07-07T18:34:31Z) - Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。
我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
論文 参考訳（メタデータ） (2020-06-15T05:40:11Z)
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。