論文の概要: Intention-Based Lane Changing and Lane Keeping Haptic Guidance Steering System

• arxiv url: http://arxiv.org/abs/2011.07424v1
• Date: Sun, 15 Nov 2020 00:55:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 07:23:36.841557
• Title: Intention-Based Lane Changing and Lane Keeping Haptic Guidance Steering System
• Title（参考訳）: ハプティック誘導ステアリングシステムにおける意図に基づくレーン変更とレーン維持
• Authors: Zhanhong Yan, Kaiming Yang, Zheng Wang, Bo Yang, Tsutomu Kaizuka, Kimihiko Nakano
• Abstract要約: シェアリングステアリング支援システムにおけるハプティックガイダンスは、インテリジェントな車両分野において大きな注目を集めている。 現在の触覚誘導ステアリングシステムは、車線変更を支援するのにいくつかの欠陥があることを示している。 本研究では,意図に基づくハプティック共有ステアリングシステムの設計と評価を含む新しいステアリングインタラクション手法について検討した。
• 参考スコア（独自算出の注目度）: 9.849431103011469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Haptic guidance in a shared steering assistance system has drawn significant attention in intelligent vehicle fields, owing to its mutual communication ability for vehicle control. By exerting continuous torque on the steering wheel, both the driver and support system can share lateral control of the vehicle. However, current haptic guidance steering systems demonstrate some deficiencies in assisting lane changing. This study explored a new steering interaction method, including the design and evaluation of an intention-based haptic shared steering system. Such an intention-based method can support both lane keeping and lane changing assistance, by detecting a driver lane change intention. By using a deep learning-based method to model a driver decision timing regarding lane crossing, an adaptive gain control method was proposed for realizing a steering control system. An intention consistency method was proposed to detect whether the driver and the system were acting towards the same target trajectories and to accurately capture the driver intention. A driving simulator experiment was conducted to test the system performance. Participants were required to perform six trials with assistive methods and one trial without assistance. The results demonstrated that the supporting system decreased the lane departure risk in the lane keeping tasks and could support a fast and stable lane changing maneuver.
• Abstract（参考訳）: 共有操縦支援システムにおけるハプティックガイダンスは、車両制御における相互通信能力のため、インテリジェントな車両分野において大きな注目を集めている。 ステアリングホイールに連続トルクを付与することにより、ドライバと支援システムの両方が車両の側面制御を共有することができる。 しかし、現在の触覚誘導ステアリングシステムは車線変更の補助にいくつかの欠陥がある。 本研究では,意図に基づく触覚共有ステアリングシステムの設計と評価を含む,新たなステアリングインタラクション手法を検討した。 このような意図に基づく方法は、運転車線変更意図を検出することにより、車線保持と車線変更支援の両方を支援することができる。 ディープラーニング法を用いて車線交差に関するドライバ決定タイミングをモデル化し, ステアリング制御系を実現するための適応利得制御法を提案した。 運転者とシステムが同一目標軌道に対して動作しているかどうかを検知し,運転者の意図を正確に把握するための意図整合性手法が提案された。 システム性能をテストするために運転シミュレータ実験を行った。 参加者は補助的な方法による6つの試行と、援助なしで1つの試行を行う必要があった。 その結果,車線維持作業における車線離脱リスクを低減し,高速で安定した車線変更作業を支援することができた。

関連論文リスト

• 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)
• 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)
• Exploring the stimulative effect on following drivers in a consecutive lane-change using microscopic vehicle trajectory data [0.0]
  不適切な車線変動は、交通の流れの崩壊と様々な種類の衝突の発生をもたらす可能性がある。 本研究では,複数車両の車線変更挙動と連続車線変更シナリオにおける後続車線に対する刺激効果について検討した。
  論文  参考訳（メタデータ） (2022-05-18T20:56:42Z)
• RONELDv2: A faster, improved lane tracking method [1.3965477771846408]
  車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。 本稿では,改良された軽量車線検出手法 RONELDv2を提案する。 提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
  論文  参考訳（メタデータ） (2022-02-26T13:12:09Z)
• Learning to Navigate Intersections with Unsupervised Driver Trait Inference [2.9048924265579124]
  観測車両軌道から運転スタイルなどの運転特性を推定するための教師なし手法を提案する。 我々は、リカレントニューラルネットワークを用いた変分オートエンコーダを用いて、基礎となる真理特性ラベルを使わずに、特性の潜在表現を学習する。 当社のパイプラインは、異なる特徴を持つドライバーに安全と効率を確保するために、自動運転車が行動を調整することを可能にする。
  論文  参考訳（メタデータ） (2021-09-14T15:54:35Z)
• Autonomous Driving Implementation in an Experimental Environment [0.0]
  自律運転システムでは、車線追跡と同様に障害物や信号機の検出が重要である。 本研究では,この目的のために設計された実験環境において,自律走行システムを開発した。 障害物を避けるために、コーナー検出、光流、拡大の焦点、衝突までの時間、バランス計算、決定機構が作成された。
  論文  参考訳（メタデータ） (2021-05-23T11:14:09Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• 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)
• Automated Lane Change Strategy using Proximal Policy Optimization-based Deep Reinforcement Learning [10.909595997847443]
  レーン変更操作は、一般に、特定のルーティング計画に従い、遅い車両を乗り越え、前方のマージレーンに適応するなど、ドライバによって実行される。 本研究では,近位政策最適化に基づく深層強化学習を用いた自動車線変更戦略を提案する。 訓練されたエージェントは、車線変更決定を行うためのスムーズで安全で効率的な運転ポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2020-02-07T08:43:34Z)

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。