論文の概要: Artificial Intelligence Methods in In-Cabin Use Cases: A Survey
- arxiv url: http://arxiv.org/abs/2101.02082v1
- Date: Wed, 6 Jan 2021 15:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 00:05:33.017961
- Title: Artificial Intelligence Methods in In-Cabin Use Cases: A Survey
- Title(参考訳): in-cabinユースケースにおける人工知能手法の検討
- Authors: Yao Rong, Chao Han, Christian Hellert, Antje Loyal, Enkelejda Kasneci
- Abstract要約: キャビン内の機能は、ドライバーと乗客の安全で快適な旅を確保する上で重要な役割を担っている。
人工知能(AI)の分野における最近の進歩は、車両キャビンの自動化された問題を解決するために、さまざまな新しいアプリケーションと支援システムを可能にしました。
調査の結果は、AI技術が自動運転の面でのインキャビンタスクに取り組む有望な将来があることを示しています。
- 参考スコア(独自算出の注目度): 4.896568671169519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As interest in autonomous driving increases, efforts are being made to meet
requirements for the high-level automation of vehicles. In this context, the
functionality inside the vehicle cabin plays a key role in ensuring a safe and
pleasant journey for driver and passenger alike. At the same time, recent
advances in the field of artificial intelligence (AI) have enabled a whole
range of new applications and assistance systems to solve automated problems in
the vehicle cabin. This paper presents a thorough survey on existing work that
utilizes AI methods for use-cases inside the driving cabin, focusing, in
particular, on application scenarios related to (1) driving safety and (2)
driving comfort. Results from the surveyed works show that AI technology has a
promising future in tackling in-cabin tasks within the autonomous driving
aspect.
- Abstract(参考訳): 自動運転への関心が高まるにつれ、自動車の高度自動化の要件を満たす努力が進められている。
この状況下では、キャビン内の機能は、ドライバーと乗客の安全で快適な旅を確保する上で重要な役割を果たす。
同時に、人工知能(AI)の分野での最近の進歩は、車室内における自動的な問題を解決するために、さまざまな新しい応用と支援システムを可能にした。
本稿では,(1)運転安全性と(2)運転快適性に関する応用シナリオに焦点をあて,運転室内のユースケースにAI手法を利用する既存の作業について,徹底的な調査を行った。
調査された研究の結果、ai技術は自動運転の分野でインカビンタスクに取り組む有望な未来を持っていることが示されています。
関連論文リスト
- Generative AI for Unmanned Vehicle Swarms: Challenges, Applications and
Opportunities [84.00105187866806]
Generative AI(GAI)は、無人車両群におけるこれらの課題を解決する大きな可能性を提供する。
本稿では,無人車及び無人車群の概要と,その利用事例と既存課題について述べる。
そこで本研究では,無人車両群におけるGAIの適用状況と課題について,さまざまな知見と議論を加えて概説する。
論文 参考訳(メタデータ) (2024-02-28T05:46:23Z) - Analyze Drivers' Intervention Behavior During Autonomous Driving -- A
VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。
仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。
介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文 参考訳(メタデータ) (2023-12-04T06:36:57Z) - Explaining Autonomous Driving Actions with Visual Question Answering [3.0072636355661277]
本稿では,質問応答に基づく因果推論を用いた運転行動の説明を行う視覚質問応答(VQA)フレームワークを提案する。
実証的な結果は、VQAメカニズムが自動運転車のリアルタイム意思決定を支援することを示唆している。
論文 参考訳(メタデータ) (2023-07-19T18:37:57Z) - 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) - Emerging Threats in Deep Learning-Based Autonomous Driving: A
Comprehensive Survey [0.9163827313498957]
自動運転の基礎として、ディープラーニング技術は多くの新しいセキュリティリスクに直面している。
学術コミュニティは、敵対的な事例やAIバックドアに対するディープラーニング対策を提案している。
本稿では,自動運転におけるディープラーニングセキュリティ技術の概念,開発,最近の研究について要約する。
論文 参考訳(メタデータ) (2022-10-19T10:04:33Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。
インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。
これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
論文 参考訳(メタデータ) (2022-02-08T11:55:05Z) - Parallelized and Randomized Adversarial Imitation Learning for
Safety-Critical Self-Driving Vehicles [11.463476667274051]
運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。
本稿では,RAILアルゴリズムを提案する。
提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
論文 参考訳(メタデータ) (2021-12-26T23:42:49Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳(メタデータ) (2021-04-07T14:31:08Z) - Safe Trajectory Planning Using Reinforcement Learning for Self Driving [21.500697097095408]
自動運転車の軌道計画段階におけるモデルフリー強化学習を提案する。
このアプローチにより、自動運転のタスクに必要な安全で汎用的で快適な方法で車を操作することができることを示す。
論文 参考訳(メタデータ) (2020-11-09T19:29:14Z)
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。