論文の概要: Driver Identification through Stochastic Multi-State Car-Following
Modeling
- arxiv url: http://arxiv.org/abs/2005.11077v1
- Date: Fri, 22 May 2020 09:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 08:22:22.407010
- Title: Driver Identification through Stochastic Multi-State Car-Following
Modeling
- Title（参考訳）: 確率的多状態自動車追従モデルによるドライバ同定
- Authors: Donghao Xu, Zhezhang Ding, Chenfeng Tu, Huijing Zhao, Mathieu Moze,
Fran\c{c}ois Aioun, and Franck Guillemard
- Abstract要約: ドライバー内およびドライバー間不均一性は多くの研究によってヒトの運転行動に存在することが確認されている。
全てのドライバーが運転状態のプールを共有していると仮定され、各状態の下では、自動車追従データ列は特徴空間における特定の確率分布に従う。
各ドライバは、ドライバ内不均一性を特徴づけるドライバプロファイルと呼ばれる、各状態に対する自身の確率分布を持つ。
- 参考スコア（独自算出の注目度）: 7.589491805669563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intra-driver and inter-driver heterogeneity has been confirmed to exist in
human driving behaviors by many studies. In this study, a joint model of the
two types of heterogeneity in car-following behavior is proposed as an approach
of driver profiling and identification. It is assumed that all drivers share a
pool of driver states; under each state a car-following data sequence obeys a
specific probability distribution in feature space; each driver has his/her own
probability distribution over the states, called driver profile, which
characterize the intradriver heterogeneity, while the difference between the
driver profile of different drivers depict the inter-driver heterogeneity.
Thus, the driver profile can be used to distinguish a driver from others. Based
on the assumption, a stochastic car-following model is proposed to take both
intra-driver and inter-driver heterogeneity into consideration, and a method is
proposed to jointly learn parameters in behavioral feature extractor, driver
states and driver profiles. Experiments demonstrate the performance of the
proposed method in driver identification on naturalistic car-following data:
accuracy of 82.3% is achieved in an 8-driver experiment using 10 car-following
sequences of duration 15 seconds for online inference. The potential of fast
registration of new drivers are demonstrated and discussed.
- Abstract（参考訳）: ドライバー内およびドライバー間不均一性は多くの研究によってヒトの運転行動に存在することが確認されている。
本研究では,ドライバのプロファイリングと同定のアプローチとして,車追従行動における2種類の不均一性の結合モデルを提案する。
それぞれの状態において、カーフォローデータ列は特徴空間内の特定の確率分布に従い、各ドライバはドライバ内不均一性を特徴付けるドライバプロファイルと呼ばれる自身の確率分布を持ち、異なるドライバのドライバプロファイルの差はドライバ間不均一性を表す。
これにより、ドライバープロファイルを他のドライバーと区別することができる。
この仮定に基づいて,ドライバ内およびドライバ間不均一性を考慮に入れた確率的自動車追従モデルを提案し,行動特徴抽出器,ドライバ状態,ドライバプロファイルのパラメータを共同学習する手法を提案する。
提案手法は, オンライン推論に15秒持続時間10のカーフォローシーケンスを用いた8ドライバ実験において, 82.3%の精度で実現されている。
新しいドライバの迅速な登録の可能性を示し、議論する。
関連論文リスト
- Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - Infrastructure-based End-to-End Learning and Prevention of Driver
Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文 参考訳（メタデータ） (2023-03-21T22:55:51Z) - 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) - Markov Switching Model for Driver Behavior Prediction: Use cases on
Smartphones [4.576379639081977]
スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。
提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
論文 参考訳（メタデータ） (2021-08-29T09:54:05Z) - Unsupervised Driver Behavior Profiling leveraging Recurrent Neural
Networks [6.8438089867929905]
本研究では,教師なし学習パラダイムを活用したドライバの行動プロファイリング手法を提案する。
まず,運転者の行動プロファイル問題を異常検出に用いた。
次に,特徴ベクトル列が与えられた次の特徴ベクトルを予測する再帰的ニューラルネットワークを構築した。
第三に、攻撃的なドライバーの行動を特定するために、最適なシーケンス長のレベルを解析した。
論文 参考訳（メタデータ） (2021-08-11T07:48:27Z) - Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。
本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-01T20:18:03Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。
車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。
その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
論文 参考訳（メタデータ） (2020-12-31T04:24:46Z) - 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)
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。