Fugu-MT 論文翻訳(概要): Predicting Driver Fatigue in Automated Driving with Explainability

論文の概要: Predicting Driver Fatigue in Automated Driving with Explainability

arxiv url: http://arxiv.org/abs/2103.02162v1
Date: Wed, 3 Mar 2021 03:56:09 GMT
ステータス: 処理完了
システム内更新日: 2021-03-06 18:56:10.875885
Title: Predicting Driver Fatigue in Automated Driving with Explainability
Title（参考訳）: 説明責任を有する自動運転におけるドライバ疲労の予測
Authors: Feng Zhou, Areen Alsaid, Mike Blommer, Reates Curry, Radhakrishnan Swaminathan, Dev Kochhar, Walter Talamonti, Louis Tijerina
Abstract要約: 運転者の疲労を予測するために,eXtreme Gradient Boosting (XGBoost) とSHAP (SHapley Additive exPlanations) の組み合わせを提案する。反応変数として,0～100のパークロース(瞳孔を経時的に閉じる割合)を用いた。
参考スコア（独自算出の注目度）: 5.976397600514531
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Research indicates that monotonous automated driving increases the incidence of fatigued driving. Although many prediction models based on advanced machine learning techniques were proposed to monitor driver fatigue, especially in manual driving, little is known about how these black-box machine learning models work. In this paper, we proposed a combination of eXtreme Gradient Boosting (XGBoost) and SHAP (SHapley Additive exPlanations) to predict driver fatigue with explanations due to their efficiency and accuracy. First, in order to obtain the ground truth of driver fatigue, PERCLOS (percentage of eyelid closure over the pupil over time) between 0 and 100 was used as the response variable. Second, we built a driver fatigue regression model using both physiological and behavioral measures with XGBoost and it outperformed other selected machine learning models with 3.847 root-mean-squared error (RMSE), 1.768 mean absolute error (MAE) and 0.996 adjusted $R^2$. Third, we employed SHAP to identify the most important predictor variables and uncovered the black-box XGBoost model by showing the main effects of most important predictor variables globally and explaining individual predictions locally. Such an explainable driver fatigue prediction model offered insights into how to intervene in automated driving when necessary, such as during the takeover transition period from automated driving to manual driving.
Abstract（参考訳）: 単調な自動運転は疲労運転の発生率を高めることが研究で示されている。高度な機械学習技術に基づく多くの予測モデルは、特に手動運転における運転者の疲労を監視するために提案されたが、これらのブラックボックス機械学習モデルがどのように機能するかはほとんど分かっていない。本稿では,eXtreme Gradient Boosting (XGBoost) と SHAP (SHapley Additive exPlanations) を組み合わせて,その効率と精度について説明し,ドライバーの疲労を予測することを提案した。まず、ドライバ疲労の根底にある真実を得るために、応答変数として、0から100の間のPERCLOS(経時的にまぶた閉鎖のパーセンテージ)が用いられました。第2に,XGBoostを用いた生理的・行動的尺度を用いたドライバ疲労回帰モデルを構築し,3.847ルート平均二乗誤差(RMSE),1.768平均絶対誤差(MAE),0.996調整値R^2$の他の機械学習モデルよりも優れていた。第3に,最も重要な予測変数の同定にSHAPを用い,世界規模で最も重要な予測変数の主な効果を示し,個々の予測を局所的に説明することによって,ブラックボックスXGBoostモデルを明らかにした。このような説明可能なドライバ疲労予測モデルは、自動運転から手動運転への移行期間など、必要に応じて自動運転に介入する方法に関する洞察を提供した。

関連論文リスト

Efficient Mixture-of-Expert for Video-based Driver State and Physiological Multi-task Estimation in Conditional Autonomous Driving [12.765198683804094]
道路の安全は世界中で重要な課題であり、交通事故による死者は約135万人である。 VDMoEと呼ばれる新しいマルチタスクDMSを提案し、RGBビデオ入力を利用して運転状態を非侵襲的に監視する。
論文参考訳（メタデータ） (2024-10-28T14:49:18Z)
Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
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)
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)
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)
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)
Modified Supervised Contrastive Learning for Detecting Anomalous Driving Behaviours [1.4544109317472054]
我々はこの問題を教師付きコントラスト学習アプローチとして定式化し、視覚表現を学習し、正常で見えず異常な運転行動を検出する。本研究は,31名の運転者の正常運転行動と異常運転行動の783分間のビデオ記録を含む運転異常検出データセットに示す。
論文参考訳（メタデータ） (2021-09-09T03:50:19Z)
Markov Switching Model for Driver Behavior Prediction: Use cases on Smartphones [4.576379639081977]
スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
論文参考訳（メタデータ） (2021-08-29T09:54:05Z)
An Automated Machine Learning (AutoML) Method for Driving Distraction Detection Based on Lane-Keeping Performance [2.3951613028271397]
本研究では,ドメイン固有自動機械学習(AutoML)を提案し,最適なモデルを自己学習して気晴らしを検出する。提案したAutoGBM法は,電話による運転障害の予測に信頼性があり,有望であることがわかった。目的のautogbmは、少ない機能でより良いパフォーマンスを生み出すだけでなく、システム設計に関するデータ駆動の洞察を提供する。
論文参考訳（メタデータ） (2021-03-10T12:37:18Z)
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 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)

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。