論文の概要: An Automated Machine Learning (AutoML) Method for Driving Distraction
Detection Based on Lane-Keeping Performance
- arxiv url: http://arxiv.org/abs/2103.08311v1
- Date: Wed, 10 Mar 2021 12:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:02:15.716025
- Title: An Automated Machine Learning (AutoML) Method for Driving Distraction
Detection Based on Lane-Keeping Performance
- Title（参考訳）: Lane-Keeping性能に基づく自動機械学習(AutoML)によるトラクション検出
- Authors: Chen Chai, Juanwu Lu, Xuan Jiang, Xiupeng Shi, Zeng Zeng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3951613028271397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the enrichment of smartphones, driving distractions caused by phone
usages have become a threat to driving safety. A promising way to mitigate
driving distractions is to detect them and give real-time safety warnings.
However, existing detection algorithms face two major challenges, low user
acceptance caused by in-vehicle camera sensors, and uncertain accuracy of
pre-trained models due to drivers individual differences. Therefore, this study
proposes a domain-specific automated machine learning (AutoML) to self-learn
the optimal models to detect distraction based on lane-keeping performance
data. The AutoML integrates the key modeling steps into an auto-optimizable
pipeline, including knowledge-based feature extraction, feature selection by
recursive feature elimination (RFE), algorithm selection, and hyperparameter
auto-tuning by Bayesian optimization. An AutoML method based on XGBoost, termed
AutoGBM, is built as the classifier for prediction and feature ranking. The
model is tested based on driving simulator experiments of three driving
distractions caused by phone usage: browsing short messages, browsing long
messages, and answering a phone call. The proposed AutoGBM method is found to
be reliable and promising to predict phone-related driving distractions, which
achieves satisfactory results prediction, with a predictive power of 80\% on
group level and 90\% on individual level accuracy. Moreover, the results also
evoke the fact that each distraction types and drivers require different
optimized hyperparameters values, which reconfirm the necessity of utilizing
AutoML to detect driving distractions. The purposed AutoGBM not only produces
better performance with fewer features; but also provides data-driven insights
about system design.
- Abstract（参考訳）: スマートフォンの豊か化により、携帯電話の使用による混乱が安全を脅かされている。
運転の邪魔を和らげる有望な方法は、それらを検出し、リアルタイムの安全警告を与えることである。
しかし、既存の検出アルゴリズムは2つの大きな課題に直面している。車載カメラセンサーによるユーザ受け入れの低下と、ドライバの個人差による事前学習モデルの不確実性である。
そこで本研究では,車線保持性能データに基づいて,最適モデルを自己学習するドメイン固有自動機械学習(AutoML)を提案する。
AutoMLは、知識ベースの特徴抽出、再帰的特徴除去(RFE)による特徴選択、アルゴリズムの選択、ベイズ最適化によるハイパーパラメータ自動チューニングを含む、重要なモデリングステップを自動最適化パイプラインに統合する。
XGBoostをベースとしたAutoMLメソッドはAutoGBMと呼ばれ、予測と特徴ランキングのための分類器として構築されている。
このモデルは、短いメッセージのブラウジング、長いメッセージのブラウジング、電話の応答という、電話使用による3つの運転妨害のシミュレーション実験に基づいてテストされる。
提案手法は, グループレベルでは80\%, 個人精度では90\%の予測能力を有し, 良好な結果予測を実現するため, 信頼度が高く, 携帯電話関連運転障害の予測に有望であることがわかった。
さらに、各障害タイプとドライバが異なる最適化されたハイパーパラメータ値を必要とするという事実も発覚し、運転障害を検出するためにAutoMLを利用する必要性を再確認した。
目的のAutoGBMは機能が少ないだけでなく、システム設計に関するデータ駆動の洞察も提供する。
関連論文リスト
- An AutoML-based approach for Network Intrusion Detection [4.353365283165518]
本稿では,MLJAR AutoMLフレームワークを用いて構築した階層型アンサンブルモデルを利用して,ネットワーク侵入検出のための自動機械学習(AutoML)アプローチを提案する。
提案手法は,LightGBM,CatBoost,XGBoostなど複数の機械学習アルゴリズムを組み合わせることで,検出精度とロバスト性を向上させる。
論文 参考訳（メタデータ） (2024-11-24T17:07:46Z) - 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) - Automated Parking Planning with Vision-Based BEV Approach [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車アルゴリズムの改良,車両運動モデルの統合,機能最適化,双方向探索,ベジエ曲線最適化を提案する。
従来のアルゴリズムと比較して、より困難な衝突リスクテストケースで計算時間を短縮し、快適なメトリクスのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-05-24T15:26:09Z) - Autosen: improving automatic wifi human sensing through cross-modal
autoencoder [56.44764266426344]
WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。
ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。
我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
論文 参考訳（メタデータ） (2024-01-08T19:50:02Z) - 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) - A Novel Driver Distraction Behavior Detection Method Based on
Self-supervised Learning with Masked Image Modeling [5.1680226874942985]
ドライバーの注意散らしは、毎年かなりの数の交通事故を引き起こし、経済的な損失と損失をもたらす。
ドライバの障害検出は、主に従来の畳み込みニューラルネットワーク(CNN)と教師あり学習法に依存している。
本稿では,運転者の気晴らし行動検出のためのマスク付き画像モデリングに基づく自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T10:53:32Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Identification of Driver Phone Usage Violations via State-of-the-Art
Object Detection with Tracking [8.147652597876862]
道路沿いのカメラで人間の介入を必要とせずに運転者用電話機の使用状況を把握できる、カスタムトレーニングされた最先端物体検出器を提案する。
提案手法はウインドスクリーンのグラアに起因する問題にも対処し、これを改善するために必要なステップを紹介している。
論文 参考訳（メタデータ） (2021-09-05T16:37:03Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳（メタデータ） (2020-03-25T06:53:54Z)
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。