論文の概要: Driver2vec: Driver Identification from Automotive Data

• arxiv url: http://arxiv.org/abs/2102.05234v1
• Date: Wed, 10 Feb 2021 03:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 14:42:35.443736
• Title: Driver2vec: Driver Identification from Automotive Data
• Title（参考訳）: Driver2vec: 自動車データからのドライバ識別
• Authors: Jingbo Yang, Ruge Zhao, Meixian Zhu, David Hallac, Jaka Sodnik, Jure Leskovec
• Abstract要約: Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
• 参考スコア（独自算出の注目度）: 44.84876493736275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing focus on privacy protection, alternative methods to identify vehicle operator without the use of biometric identifiers have gained traction for automotive data analysis. The wide variety of sensors installed on modern vehicles enable autonomous driving, reduce accidents and improve vehicle handling. On the other hand, the data these sensors collect reflect drivers' habit. Drivers' use of turn indicators, following distance, rate of acceleration, etc. can be transformed to an embedding that is representative of their behavior and identity. In this paper, we develop a deep learning architecture (Driver2vec) to map a short interval of driving data into an embedding space that represents the driver's behavior to assist in driver identification. We develop a custom model that leverages performance gains of temporal convolutional networks, embedding separation power of triplet loss and classification accuracy of gradient boosting decision trees. Trained on a dataset of 51 drivers provided by Nervtech, Driver2vec is able to accurately identify the driver from a short 10-second interval of sensor data, achieving an average pairwise driver identification accuracy of 83.1% from this 10-second interval, which is remarkably higher than performance obtained in previous studies. We then analyzed performance of Driver2vec to show that its performance is consistent across scenarios and that modeling choices are sound.
• Abstract（参考訳）: プライバシー保護に重点を置くことで、バイオメトリック識別子を使わずに車両オペレーターを識別する代替方法が自動車データ分析の牽引力を得ています。 現代の車両に搭載された様々なセンサーは、自動運転を可能にし、事故を減らし、車両ハンドリングを改善する。 一方、これらのセンサーが収集するデータはドライバーの習慣を反映しています。 ドライバーのターンインジケータの使用、追従距離、加速率など。 彼らの行動やアイデンティティを表す 埋め込みに変換できるのです 本稿では,運転者の行動を表す埋め込み空間に,運転データの短い区間をマッピングし,運転者の識別を支援するディープラーニングアーキテクチャ(driver2vec)を開発した。 我々は,時間的畳み込みネットワークの性能向上,三重項損失の分離パワーの埋め込み,勾配ブースティング決定木の分類精度を活用するカスタムモデルを開発した。 nervtechが提供した51人のドライバーのデータセットに基づいてトレーニングされたdriver2vecは、短い10秒間隔のセンサーデータからドライバーを正確に識別することができ、この10秒間隔から平均83.1%のペアワイズドライバー識別精度を達成している。 次に、driver2vecのパフォーマンスを分析し、そのパフォーマンスがシナリオ間で一貫性があり、モデリングの選択が適切であることを示す。

関連論文リスト

• Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
  車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。 我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。 100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-11-20T10:27:12Z)
• 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)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• A Machine Learning Approach for Driver Identification Based on CAN-BUS Sensor Data [0.0]
  ドライバー識別は、コントローラエリアネットワーク(CAN-BUS)の観点から、現代の装飾車両の重要な分野である。 本研究の目的は,運転行動分析に基づく教師付き学習アルゴリズムを用いて運転者を特定することである。 ベースラインアルゴリズムとは対照的に,精度の観点から統計的に有意な結果を得た。
  論文  参考訳（メタデータ） (2022-07-16T00:38:21Z)
• Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach [1.9395755884693817]
  本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。 ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。 ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T07:32:32Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Driver Drowsiness Classification Based on Eye Blink and Head Movement Features Using the k-NN Algorithm [8.356765961526955]
  この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。 この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。 最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
  論文  参考訳（メタデータ） (2020-09-28T12:37:38Z)
• 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 Identification through Stochastic Multi-State Car-Following Modeling [7.589491805669563]
  ドライバー内およびドライバー間不均一性は多くの研究によってヒトの運転行動に存在することが確認されている。 全てのドライバーが運転状態のプールを共有していると仮定され、各状態の下では、自動車追従データ列は特徴空間における特定の確率分布に従う。 各ドライバは、ドライバ内不均一性を特徴づけるドライバプロファイルと呼ばれる、各状態に対する自身の確率分布を持つ。
  論文  参考訳（メタデータ） (2020-05-22T09:39:00Z)

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。