Fugu-MT 論文翻訳(概要): Detecting Driver's Distraction using Long-term Recurrent Convolutional Network

論文の概要: Detecting Driver's Distraction using Long-term Recurrent Convolutional Network

arxiv url: http://arxiv.org/abs/2004.11839v1
Date: Tue, 14 Apr 2020 00:35:28 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 09:23:40.733963
Title: Detecting Driver's Distraction using Long-term Recurrent Convolutional Network
Title（参考訳）: 長期反復畳み込みネットワークを用いたドライバの歪み検出
Authors: Chang Wei Tan, Mahsa Salehi, Geoffrey Mackellar
Abstract要約: 私たちは、脳波信号を脳から生成する商用ワイヤレスヘッドセットを使用しています。我々は,様々なTLC手法について検討し,LCRN(Long-term Recurrent Convolutional Network)モデルを設計した。
参考スコア（独自算出の注目度）: 1.3922507071009953
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this study we demonstrate a novel Brain Computer Interface (BCI) approach to detect driver distraction events to improve road safety. We use a commercial wireless headset that generates EEG signals from the brain. We collected real EEG signals from participants who undertook a 40-minute driving simulation and were required to perform different tasks while driving. These signals are segmented into short windows and labelled using a time series classification (TSC) model. We studied different TSC approaches and designed a Long-term Recurrent Convolutional Network (LCRN) model for this task. Our results showed that our LRCN model performs better than the state of the art TSC models at detecting driver distraction events.
Abstract（参考訳）: 本研究では,運転者の気晴らしを検知し,道路安全を改善する新しい脳コンピュータインタフェース(BCI)の手法を実証する。脳から脳波信号を生成する商用ワイヤレスヘッドセットを使用している。 40分間の運転シミュレーションを行い、運転中に異なる作業を行う必要のある参加者から、実際の脳波信号を収集した。これらの信号は短いウィンドウに分割され、時系列分類(TSC)モデルを用いてラベル付けされる。我々は,様々なtscアプローチを研究し,このタスクのために長期リカレント畳み込みネットワーク(lcrn)モデルを設計した。以上の結果より, 運転者の気道障害の検出において, LRCNモデルはTSCモデルよりも優れていた。

関連論文リスト

Driver Fatigue Prediction using Randomly Activated Neural Networks for Smart Ridesharing Platforms [0.21847754147782888]
ライドシェアリングプラットフォームのドライバーは、一日中ライドオファーを受けると認知萎縮と疲労を示す。本稿では,ドライバーの移動時の乗車決定をモデル化し,予測するための新しい動的満足度(DDS)を提案する。本報告では,シカゴのタクシーのシミュレーション実験と実際のタクシーデータを用いて,提案手法の有効性を実証する。
論文参考訳（メタデータ） (2024-04-16T16:04:11Z)
Improving automatic detection of driver fatigue and distraction using machine learning [0.0]
運転者の疲労と注意をそらした運転は交通事故の重要な要因である。本稿では,視覚に基づくアプローチと機械学習に基づくアプローチを用いて,疲労と注意をそらした運転行動の同時検出手法を提案する。
論文参考訳（メタデータ） (2024-01-04T06:33:46Z)
FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文参考訳（メタデータ） (2023-04-19T17:33:47Z)
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)
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)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
EEG-based Classification of Drivers Attention using Convolutional Neural Network [0.0]
本研究は、参加者の脳活動に基づいて訓練された注意分類器の性能を比較した。審美的フィードバック下で得られた生脳波データに基づいて訓練したCNNモデルは,89%の精度を達成できた。この結果から,CNNおよび生脳波信号は受動的BCIの訓練に有効であることが示唆された。
論文参考訳（メタデータ） (2021-08-23T10:55:52Z)
A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文参考訳（メタデータ） (2021-03-01T06:47:29Z)
Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。 CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文参考訳（メタデータ） (2021-02-11T04:33:43Z)
Traffic Signs Detection and Recognition System using Deep Learning [0.0]
本稿では,交通標識をリアルタイムに検出・認識するためのアプローチについて述べる。マルチオブジェクト検出システムの最先端技術を用いて,交通信号検出問題に取り組む。この論文の焦点は、F-RCNN Inception v2とTiny YOLO v2が最高の結果を得たときのものである。
論文参考訳（メタデータ） (2020-03-06T14:54:40Z)

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。