Fugu-MT 論文翻訳(概要): TripMD: Driving patterns investigation via Motif Analysis

論文の概要: TripMD: Driving patterns investigation via Motif Analysis

arxiv url: http://arxiv.org/abs/2007.03727v4
Date: Mon, 5 Jul 2021 16:49:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 19:52:15.034920
Title: TripMD: Driving patterns investigation via Motif Analysis
Title（参考訳）: TripMD: Motif Analysisによる運転パターンの調査
Authors: Maria In\^es Silva, Roberto Henriques
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.42658286826597
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Processing driving data and investigating driving behavior has been receiving an increasing interest in the last decades, with applications ranging from car insurance pricing to policy making. A common strategy to analyze driving behavior is to study the maneuvers being performance by the driver. In this paper, we propose TripMD, a system that extracts the most relevant driving patterns from sensor recordings (such as acceleration) and provides a visualization that allows for an easy investigation. Additionally, we test our system using the UAH-DriveSet dataset, a publicly available naturalistic driving dataset. We show that (1) our system can extract a rich number of driving patterns from a single driver that are meaningful to understand driving behaviors and (2) our system can be used to identify the driving behavior of an unknown driver from a set of drivers whose behavior we know.
Abstract（参考訳）: 運転データの処理と運転行動の調査は、自動車保険の価格設定から政策立案まで、過去数十年で関心が高まっている。運転行動を分析する一般的な戦略は、運転者が実行する操作を研究することである。本稿では、センサ記録(加速度など)から最も関連性の高い駆動パターンを抽出し、容易に調査できる可視化システムであるTripMDを提案する。さらに,公に利用可能な自然駆動型データセットであるuah-drivesetデータセットを用いてシステムをテストする。本システムは,(1)運転行動を理解する上で有意義な1台の運転者から豊富な運転パターンを抽出でき,(2)未知の運転者の運転行動を,我々が知っている運転者の集合から識別できることを示す。

関連論文リスト

DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
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)
Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文参考訳（メタデータ） (2021-11-23T20:14:02Z)
Deep Learning Approach for Aggressive Driving Behaviour Detection [1.933681537640272]
この研究は、異なる状況(ラッシュ、精神的衝突、報復)のドライバーが攻撃的に運転し始めるときのタイムステップを特定する。積極的運転の機会を発見するためには、運転行動を調べるために観察者(現実または仮想)が必要である。スマートフォンのGPSセンサーを使って位置を検出し,運転者の運転行動を3分毎に分類することで,この問題を克服する。
論文参考訳（メタデータ） (2021-11-08T20:06:16Z)
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)
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)
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)
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)
Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
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。
論文参考訳（メタデータ） (2020-06-16T00:45:08Z)
Finding manoeuvre motifs in vehicle telematics [3.42658286826597]
運転行動を分析する一般的な方法は、運転している運転者について有用な情報を提供するように、操作者に焦点を移すことである。本稿では,車載テレマティクスデータから,時系列におけるモチーフ検出を通じて,新たな操作を識別する方法について検討する。
論文参考訳（メタデータ） (2020-02-10T23:07:53Z)

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。