論文の概要: Drive Safe: Cognitive-Behavioral Mining for Intelligent Transportation
Cyber-Physical System
- arxiv url: http://arxiv.org/abs/2008.10148v1
- Date: Mon, 24 Aug 2020 01:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 11:50:57.076650
- Title: Drive Safe: Cognitive-Behavioral Mining for Intelligent Transportation
Cyber-Physical System
- Title(参考訳): drive safe:知的輸送サイバー物理システムのための認知行動マイニング
- Authors: Md. Shirajum Munir, Sarder Fakhrul Abedin, Ki Tae Kim, Do Hyeon Kim,
Md. Golam Rabiul Alam, and Choong Seon Hong
- Abstract要約: 本稿では,道路安全のための知的輸送サイバー物理システム(IT-CPS)における認知行動に基づく運転気分修復プラットフォームを提案する。
提案プラットフォームは、運転者の気を散らす活動と、気分修復のための感情を認識する。
我々は、運転中の安全な運転を確保するために、ドライバーの認知行動マイニングを推測するために、AIと統計に基づく5つのモデルを使用します。
- 参考スコア(独自算出の注目度): 17.693789301138402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a cognitive behavioral-based driver mood repairment
platform in intelligent transportation cyber-physical systems (IT-CPS) for road
safety. In particular, we propose a driving safety platform for distracted
drivers, namely \emph{drive safe}, in IT-CPS. The proposed platform recognizes
the distracting activities of the drivers as well as their emotions for mood
repair. Further, we develop a prototype of the proposed drive safe platform to
establish proof-of-concept (PoC) for the road safety in IT-CPS. In the
developed driving safety platform, we employ five AI and statistical-based
models to infer a vehicle driver's cognitive-behavioral mining to ensure safe
driving during the drive. Especially, capsule network (CN), maximum likelihood
(ML), convolutional neural network (CNN), Apriori algorithm, and Bayesian
network (BN) are deployed for driver activity recognition, environmental
feature extraction, mood recognition, sequential pattern mining, and content
recommendation for affective mood repairment of the driver, respectively.
Besides, we develop a communication module to interact with the systems in
IT-CPS asynchronously. Thus, the developed drive safe PoC can guide the vehicle
drivers when they are distracted from driving due to the cognitive-behavioral
factors. Finally, we have performed a qualitative evaluation to measure the
usability and effectiveness of the developed drive safe platform. We observe
that the P-value is 0.0041 (i.e., < 0.05) in the ANOVA test. Moreover, the
confidence interval analysis also shows significant gains in prevalence value
which is around 0.93 for a 95% confidence level. The aforementioned statistical
results indicate high reliability in terms of driver's safety and mental state.
- Abstract(参考訳): 本稿では,道路安全のための知的輸送サイバー物理システム(IT-CPS)における認知行動に基づく運転気分修復プラットフォームを提案する。
特に,IT-CPSにおいて,注意をそらした運転者,すなわち 'emph{drive safe} のための運転安全プラットフォームを提案する。
提案プラットフォームは、運転者の気を散らす活動と、気分修復のための感情を認識する。
さらに,IT-CPSにおける道路安全のための概念実証(PoC)を確立するための,提案するドライブセーフプラットフォームのプロトタイプを開発する。
先進的運転安全プラットフォームでは,運転者の認知行動マイニングを推論するために5つのaiモデルと統計モデルを用いて運転中の安全な運転を確保する。
特に、運転者の行動認識、環境特徴抽出、気分認識、逐次パターンマイニング、情緒的気分修復のためのコンテンツ推奨のために、カプセルネットワーク(CN)、最大可能性(ML)、畳み込みニューラルネットワーク(CNN)、Aprioriアルゴリズム、ベイズネットワーク(BN)を配置する。
さらに,IT-CPSにおけるシステムとの対話を非同期に行う通信モジュールを開発する。
これにより、開発した駆動安全pocは、認知行動要因により運転に気を取られたときに車両ドライバを誘導することができる。
最後に,開発したドライブセーフプラットフォームのユーザビリティと有効性を評価するための定性評価を行った。
p-値が 00041 (すなわち < 0.05) であるのを anova test で確認する。
さらに、信頼区間分析により、95%信頼度で約0.93の有病率値が顕著に向上した。
上記の統計結果は、運転者の安全と精神状態の観点から高い信頼性を示している。
関連論文リスト
- CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳(メタデータ) (2023-10-19T02:49:31Z) - Classification of Safety Driver Attention During Autonomous Vehicle
Operation [11.33083039877258]
本稿では、車両オペレーターと車両認識システムに対向する赤外線カメラからのデータを統合したデュアルソースアプローチを提案する。
提案システムは,車両運転者の注意度基準を効果的に決定し,警告や自律機能低下などの介入を適切に行う。
論文 参考訳(メタデータ) (2023-10-17T22:04:42Z) - Enhancing Road Safety through Accurate Detection of Hazardous Driving
Behaviors with Graph Convolutional Recurrent Networks [0.2578242050187029]
グラフ畳み込み長短期記憶ネットワーク(GConvLSTM)に基づく信頼性駆動行動検出(DBD)システムを提案する。
提案モデルでは,公共センサの精度97.5%,非公共センサの平均精度98.1%を達成し,両者の整合性と精度を示した。
提案システムは,道路の安全向上と運転ミスによる事故件数削減に有効である可能性が示唆された。
論文 参考訳(メタデータ) (2023-05-08T21:05:36Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳(メタデータ) (2023-03-08T00:48:32Z) - Context-Aware Target Classification with Hybrid Gaussian Process
prediction for Cooperative Vehicle Safety systems [2.862606936691229]
自動運転車の堅牢性と安全性を改善するための潜在的な解決策として、V2X通信が提案されている。
協調車両安全(CVS)アプリケーションは、下層データシステムの信頼性に強く依存している。
本稿では,CVSシステムのためのコンテキスト認識ターゲット分類(CA-TC)モジュールとハイブリッド学習に基づく予測モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-12-24T22:03:08Z) - 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) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳(メタデータ) (2022-03-04T16:14:33Z) - Smart and Secure CAV Networks Empowered by AI-Enabled Blockchain: Next
Frontier for Intelligent Safe-Driving Assessment [17.926728975133113]
コネクテッド・自動運転車(CAV)の安全運転状況の確保は、引き続き広く懸念されている。
アルゴリズム対応型intElligent Safe-Driven AssessmentmenT(BEST)の新たなフレームワークを提案し、スマートで信頼性の高いアプローチを提供します。
論文 参考訳(メタデータ) (2021-04-09T19:08:34Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳(メタデータ) (2020-11-03T01:46:35Z) - Cooperative Perception with Deep Reinforcement Learning for Connected
Vehicles [7.7003495898919265]
本研究では, 周辺物体の検出精度を高めるために, 深層強化学習を用いた協調認識方式を提案する。
本手法は、車両通信網におけるネットワーク負荷を軽減し、通信信頼性を高める。
論文 参考訳(メタデータ) (2020-04-23T01:44:12Z)
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。