論文の概要: Mining Personalized Climate Preferences for Assistant Driving
- arxiv url: http://arxiv.org/abs/2006.08846v1
- Date: Tue, 16 Jun 2020 00:45:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 18:59:56.800674
- Title: Mining Personalized Climate Preferences for Assistant Driving
- Title（参考訳）: 補助運転のためのパーソナライズされた気候設定
- Authors: Feng Hu
- Abstract要約: 本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。
iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。
世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
- 参考スコア（独自算出の注目度）: 1.6752182911522522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Both assistant driving and self-driving have attracted a great amount of
attention in the last few years. However, the majority of research efforts
focus on safe driving; few research has been conducted on in-vehicle climate
control, or assistant driving based on travellers' personal habits or
preferences. In this paper, we propose a novel approach for climate control,
driver behavior recognition and driving recommendation for better fitting
drivers' preferences in their daily driving. The algorithm consists three
components: (1) A in-vehicle sensing and context feature enriching compnent
with a Internet of Things (IoT) platform for collecting related environment,
vehicle-running, and traffic parameters that affect drivers' behaviors. (2) A
non-intrusive intelligent driver behaviour and vehicle status detection
component, which can automatically label vehicle's status (open windows, turn
on air condition, etc.), based on results of applying further feature
extraction and machine learning algorithms. (3) A personalized driver habits
learning and preference recommendation component for more healthy and
comfortable experiences. A prototype using a client-server architecture with an
iOS app and an air-quality monitoring sensor has been developed for collecting
heterogeneous data and testing our algorithms. Real-world experiments on
driving data of 11,370 km (320 hours) by different drivers in multiple cities
worldwide have been conducted, which demonstrate the effective and accuracy of
our approach.
- Abstract（参考訳）: アシスタント運転と自動運転の両方が、ここ数年で大きな注目を集めている。
しかし、ほとんどの研究は安全な運転に焦点を当てており、車内気候制御や、旅行者の個人的習慣や好みに基づく補助運転に関する研究はほとんど行われていない。
本稿では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。
このアルゴリズムは、(1)車内センシングとコンテキストの特徴と、関連する環境、車両走行、およびドライバーの行動に影響を及ぼす交通パラメータを収集するためのiot(internet of things)プラットフォームとの相性を高める。
2) さらに特徴抽出と機械学習アルゴリズムを適用した結果に基づいて、車両のステータス(窓を開けたり、エアコンをオンにするなど)を自動的にラベル付けできる非侵入的インテリジェントドライバ動作と車両状態検出コンポーネント。
3)パーソナライズされたドライバは、より健康で快適な体験のための学習と選好の推奨コンポーネントを提供する。
異種データを収集し,アルゴリズムをテストするために,iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプを開発した。
世界中の複数の都市で、11,370 km (320時間) の運転データに関する実世界実験が行われ、このアプローチの有効性と精度が示された。
関連論文リスト
- Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - 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) - Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset [103.35624417260541]
分散車両調整は、未整備の道路環境において有用である。
我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。
このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
論文 参考訳（メタデータ） (2022-09-19T05:06:57Z) - A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification [1.552282932199974]
我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。
第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
論文 参考訳（メタデータ） (2022-02-01T10:12:36Z) - 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) - 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) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z) - 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) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳（メタデータ） (2020-04-08T11:45:13Z)
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。