論文の概要: Vehicle Class, Speed, and Roadway Geometry Based Driver Behavior Identification and Classification

• arxiv url: http://arxiv.org/abs/2009.09066v2
• Date: Thu, 15 Jul 2021 11:25:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 02:10:35.715375
• Title: Vehicle Class, Speed, and Roadway Geometry Based Driver Behavior Identification and Classification
• Title（参考訳）: 車両種別, 速度, および道路形状に基づく運転行動の識別と分類
• Authors: Awad Abdelhalim and Montasir Abbas
• Abstract要約: 本稿では,特に重車両を牽引する車両のクラスが,次の車両の挙動に与える影響について検討する。 これは、カリフォルニア州エメリービルの州間高速道路80号線(I80)のNGSIM(Next Generation Simulation)データセットから、様々な自動車追尾エピソードを抽出して分析した。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on the study of the impact that the class of the vehicle, leading heavy vehicles in particular, causes on the following vehicle's behavior, specifically in terms of the bumper-to-bumper distance (gap) between the following and leading vehicles. This was done by extracting and analyzing different car-following episodes from the Next Generation Simulation (NGSIM) dataset for Interstate 80 (I 80) in Emeryville, California, USA. The results of the statistical analysis are compared to that of the synthesized literature of research efforts that have been conducted on the topic, then are further assessed utilizing different behavioral clusters for the Gazis-Herman-Rothery (GHR) car-following model calibrated from naturalistic driving data. We assess the similarities and differences in car-following behavior between drivers of the same vehicle class, validating the results of the statistical analysis and highlighting possible future implementations for improved modeling in microscopic simulation.
• Abstract（参考訳）: 本稿では,特に重車両を牽引する車両のクラスが,後続車と先行車とのバンパー間距離(ギャップ)において,次の車両の挙動に影響を及ぼす影響について検討する。 これは、カリフォルニア州エメリービルの州間高速道路80号線(I80)のNGSIM(Next Generation Simulation)データセットから、様々な自動車追尾エピソードを抽出して分析した。 統計分析の結果は,本研究の総合的な研究成果と比較され,さらに自然主義運転データから推定したGazis-Herman-Rothery (GHR)カー追従モデルに対して,異なる行動クラスターを用いた評価を行う。 同一車両クラスの運転者間での車追従行動の類似性と相違を評価し,統計解析の結果を検証し,顕微鏡シミュレーションにおけるモデリング改善のための将来の実装の可能性を強調した。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Prediction of Crash Injury Severity in Florida's Interstate-95 [0.0]
  2016年から2021年にかけてフロリダ州州間高速道路95号線で交通事故が発生した。 交通事故の重症度を推定するために 分類法が使われました AdaboostアルゴリズムはリコールとAUCの点で他より優れていた。
  論文  参考訳（メタデータ） (2023-12-16T18:42:39Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research [0.0]
  本研究は, 機械学習, エコノメトリ, 統計的手法を組み合わせて, 英国における交通事故の重大度を調査した。 MASEは0.800、MEは-73.80である。
  論文  参考訳（メタデータ） (2023-09-23T21:46:43Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• AI-Based Framework for Understanding Car Following Behaviors of Drivers in A Naturalistic Driving Environment [6.445605125467574]
  後続の事故はしばしば致命的なものである。 後部事故の原因となる車両の挙動を正確にモデル化する必要がある。 本研究では,自然環境における運転行動の理解に関連する特徴を抽出する人工知能フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-01-23T08:24:33Z)
• 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)
• Beyond RMSE: Do machine-learned models of road user interaction produce human-like behavior? [12.378231329297137]
  自然主義高速道路運転データセットにおける3つの異なる行動現象の存在を示すために,定量的な指標を導入する。 同じ測定値を用いて3つの機械学習モデルの挙動を解析する。
  論文  参考訳（メタデータ） (2022-06-22T14:04:39Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Driver Behavior Modelling at the Urban Intersection via Canonical Correlation Analysis [10.065558914194593]
  交差点での運転行動の正確なモデル化は、インテリジェント交通システムにとって不可欠である。 特徴選択には正準相関値を用いる。 シミュレーションおよび自然主義駆動データを用いた2つの実験が検証のために設計されている。
  論文  参考訳（メタデータ） (2020-07-11T11:34:22Z)

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。