論文の概要: Hazard recognition in an immersive virtual environment: Framework for
the simultaneous analysis of visual search and EEG patterns
- arxiv url: http://arxiv.org/abs/2003.09494v1
- Date: Sat, 14 Mar 2020 20:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 04:23:07.589389
- Title: Hazard recognition in an immersive virtual environment: Framework for
the simultaneous analysis of visual search and EEG patterns
- Title（参考訳）: 没入型仮想環境におけるハザード認識:視覚探索と脳波パターンの同時解析のためのフレームワーク
- Authors: Mojtaba Noghabaei, and Kevin Han
- Abstract要約: 本研究は、労働者のハザード認識能力を高めるために、Immersive Virtual Environment(IVE)における仮想安全トレーニングを提案する。
アイトラッカーを備えたバーチャルリアリティ(VR)デバイスを装着した労働者は、シミュレーションされた建設現場の危険を仮想的に認識する。
このプラットフォームは、視覚的ハザード認識タスクにおける作業者の全体的なパフォーマンスを分析し、各作業者に追加の介入を必要とするハザードを特定する。
- 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: Unmanaged hazards in dangerous construction environments proved to be one of
the main sources of injuries and accidents. Hazard recognition is crucial to
achieve effective safety management and reduce injuries and fatalities in
hazardous job sites. Still, there has been lack of effort that can efficiently
assist workers in improving their hazard recognition skills. This study
presents virtual safety training in an Immersive Virtual Environment (IVE) to
enhance worker's hazard recognition skills. A worker wearing a Virtual Reality
(VR) device, that is equipped with an eye-tracker, virtually recognizes hazards
on simulated construction sites while a brainwave-sensing device records brain
activities. This platform can analyze the overall performance of the workers in
a visual hazard recognition task and identify hazards that need additional
intervention for each worker. This study provides novel insights on how a
worker's brain and eye act simultaneously during a visual hazard recognition
process. The presented method can take current safety training programs into
another level by providing personalized feedback to the workers.
- Abstract（参考訳）: 危険な建設環境における無管理の危険は、怪我や事故の主な原因の1つであることが判明した。
リスク認識は、効果的な安全管理を達成し、有害な仕事場における負傷者や死亡者を減らすために不可欠である。
それでも、労働者のハザード認識能力向上を効率的に支援する努力が不足している。
本研究では,労働者のハザード認識能力を高めるために,Immersive Virtual Environment(IVE)における仮想安全トレーニングを提案する。
アイトラッカーを備えたバーチャルリアリティ(VR)デバイスを装着した労働者は、脳波検出装置が脳活動を記録している間、シミュレーションされた建設現場の危険を仮想的に認識する。
このプラットフォームは、視覚的ハザード認識タスクにおける作業者の全体的なパフォーマンスを分析し、各作業者にさらなる介入を必要とするハザードを特定する。
本研究は,視覚ハザード認識過程における作業者の脳と眼の同時動作に関する新たな知見を提供する。
提案手法は、労働者にパーソナライズされたフィードバックを提供することにより、現在の安全訓練プログラムを別のレベルに引き込むことができる。
関連論文リスト
- Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。
ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。
我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
論文 参考訳（メタデータ） (2025-02-18T02:26:50Z) - Open Problems in Machine Unlearning for AI Safety [61.43515658834902]
特定の種類の知識を選択的に忘れたり、抑圧したりするマシンアンラーニングは、プライバシとデータ削除タスクの約束を示している。
本稿では,アンラーニングがAI安全性の包括的ソリューションとして機能することを防止するための重要な制約を特定する。
論文 参考訳（メタデータ） (2025-01-09T03:59:10Z) - Don't Let Your Robot be Harmful: Responsible Robotic Manipulation [57.70648477564976]
ロボット操作における人間の指示の実行は、深刻な安全性のリスクにつながる可能性がある。
i) 安全リスクを含むシナリオを自動生成し、仮想的なインタラクションを行う世界モデルと、(ii) 反射による結果を予測するメンタルモデルを含む。
本研究は, 安全行政がリスクを回避し, 合成データセットと実世界の両方の実験において, 効率的にタスクを完了できることを実証する。
論文 参考訳（メタデータ） (2024-11-27T12:27:50Z) - ActSafe: Active Exploration with Safety Constraints for Reinforcement Learning [48.536695794883826]
本稿では,安全かつ効率的な探索のためのモデルベースRLアルゴリズムであるActSafeを提案する。
本稿では,ActSafeが学習中の安全性を保証しつつ,有限時間で準最適政策を得ることを示す。
さらに,最新のモデルベースRLの進歩に基づくActSafeの実用版を提案する。
論文 参考訳（メタデータ） (2024-10-12T10:46:02Z) - EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。
高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。
しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。
本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
論文 参考訳（メタデータ） (2024-08-08T13:19:37Z) - A Deep Learning Approach to Detect Complete Safety Equipment For Construction Workers Based On YOLOv7 [0.0]
本研究では,建設作業員が着用する安全装置を同定する深層学習技術を提案する。
推奨されるアプローチは、YOLO v7オブジェクト検出アルゴリズムを使用して、これらの安全アイテムを正確に検出する。
トレーニングされたモデルでは,安全機器認識のための精度,リコール,F1スコアが良好に動作した。
論文 参考訳（メタデータ） (2024-06-11T20:38:41Z) - Safe Reinforcement Learning in Black-Box Environments via Adaptive Shielding [5.5929450570003185]
我々は、トレーニング中の状態-動作ペアの安全性と安全性を区別する新しい技術であるmboxADVICE(Adaptive Shielding with a Contrastive Autoencoder)を紹介する。
総合実験の結果,ADVICEはトレーニング中の安全違反(約50%)を有意に低減し,他の手法と比較して競争力のある結果が得られた。
論文 参考訳（メタデータ） (2024-05-28T13:47:21Z) - The Last Decade in Review: Tracing the Evolution of Safety Assurance
Cases through a Comprehensive Bibliometric Analysis [7.431812376079826]
安全保証は、自動車、航空宇宙、原子力など、様々な分野において最重要事項である。
安全保証ケースを使用することで、生成されたシステム機能の正しさを検証することができ、システム障害を防止することができる。
論文 参考訳（メタデータ） (2023-11-13T17:34:23Z) - KnowSafe: Combined Knowledge and Data Driven Hazard Mitigation in
Artificial Pancreas Systems [3.146076597280736]
KnowSafeは、安全を害する悪意のある攻撃や、CPSコントローラを標的とした偶発的な障害による安全性の危険を予測し軽減する。
安全制約のドメイン固有の知識とコンテキスト固有の緩和行動と機械学習(ML)技術を統合する。
KnowSafeは、システム状態の軌跡や潜在的な危険を予測する上で、より高い精度を達成することで、最先端技術よりも優れています。
論文 参考訳（メタデータ） (2023-11-13T16:43:34Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:09:31Z)
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。