論文の概要: When Do Drivers Concentrate? Attention-based Driver Behavior Modeling With Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2002.11385v2
• Date: Sun, 7 Jun 2020 06:09:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 14:07:29.504978
• Title: When Do Drivers Concentrate? Attention-based Driver Behavior Modeling With Deep Reinforcement Learning
• Title（参考訳）: ドライバーはいつ集中するのか? 深層強化学習による注意に基づく運転行動モデリング
• Authors: Xingbo Fu, Feng Gao, Jiang Wu
• Abstract要約: 本研究では,運転者の行動を観察に基づいて近似し,運転者の注意度を計測するアクタ批判手法を提案する。 反応時間を考慮してアクターネットワークにアテンション機構を構築し,連続した観測の時間的依存性を捉える。 実世界の車両軌道データを用いて実験を行い,提案手法の精度が7つのベースラインアルゴリズムより優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.9801312307912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver distraction a significant risk to driving safety. Apart from spatial domain, research on temporal inattention is also necessary. This paper aims to figure out the pattern of drivers' temporal attention allocation. In this paper, we propose an actor-critic method - Attention-based Twin Delayed Deep Deterministic policy gradient (ATD3) algorithm to approximate a driver' s action according to observations and measure the driver' s attention allocation for consecutive time steps in car-following model. Considering reaction time, we construct the attention mechanism in the actor network to capture temporal dependencies of consecutive observations. In the critic network, we employ Twin Delayed Deep Deterministic policy gradient algorithm (TD3) to address overestimated value estimates persisting in the actor-critic algorithm. We conduct experiments on real-world vehicle trajectory datasets and show that the accuracy of our proposed approach outperforms seven baseline algorithms. Moreover, the results reveal that the attention of the drivers in smooth vehicles is uniformly distributed in previous observations while they keep their attention to recent observations when sudden decreases of relative speeds occur. This study is the first contribution to drivers' temporal attention and provides scientific support for safety measures in transportation systems from the perspective of data mining.
• Abstract（参考訳）: 運転者の気晴らしは運転の安全性に重大なリスクをもたらす。 空間領域とは別に、時間的意図の研究も必要である。 本稿では,ドライバーの時間的注意配分のパターンを明らかにすることを目的とする。 本稿では,車追従モデルにおいて,運転者の動作を観測に基づいて近似し,運転者の注意割当を連続時間ステップで測定するために,注意に基づく2つの遅延深い決定性ポリシー勾配(ATD3)アルゴリズムを提案する。 反応時間を考慮してアクターネットワークにアテンション機構を構築し,連続観測の時間的依存性を捉える。 批評家ネットワークでは、アクター・クリティカル・アルゴリズムに持続する過大評価値の推定にTD3(Twin Delayed Deep Deterministic Policy gradient Algorithm)を用いる。 実世界の車両軌道データセット実験を行い,提案手法の精度が7つのベースラインアルゴリズムを上回っていることを示す。 また,スムース車両における運転者の注意は,相対速度が突然低下した場合の最近の観測に留意しながら,前回の観測で一様に分布していることが明らかとなった。 本研究は、運転者の時間的注意に対する最初の貢献であり、データマイニングの観点から、交通システムにおける安全対策の科学的支援を提供する。

関連論文リスト

• 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)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
  ドライバーの気晴らしが道路事故の主要な原因であることが知られている。 State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。 本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-17T21:22:41Z)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• CoCAtt: A Cognitive-Conditioned Driver Attention Dataset [16.177399201198636]
  運転注意予測は、ハイリスクイベントの緩和と防止に重要な役割を果たす。 我々は新しいドライバーアテンションデータセットであるCoCAttを提示する。 CoCAttは、自律性レベル、アイトラッカーの解像度、運転シナリオといった面で、最大かつ最も多様なドライバー注意データセットである。
  論文  参考訳（メタデータ） (2021-11-19T02:42:34Z)
• 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)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)
• Deep Learning with Attention Mechanism for Predicting Driver Intention at Intersection [2.1699196439348265]
  提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。 提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:12:00Z)

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。