論文の概要: Drivers' Manoeuvre Modelling and Prediction for Safe HRI
- arxiv url: http://arxiv.org/abs/2106.01730v1
- Date: Thu, 3 Jun 2021 10:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 15:54:46.525198
- Title: Drivers' Manoeuvre Modelling and Prediction for Safe HRI
- Title（参考訳）: 安全なHRIのためのドライバの操作モデルと予測
- Authors: Erwin Jose Lopez Pulgarin, Guido Herrmann, Ute Leonards
- Abstract要約: 心の理論は、ロボット工学や、最近は自律車や半自律車のために広く研究されている。
本研究では、人間の動き、車の状態、人間の入力からのデータを組み合わせることで、行動の前に人間の意図を予測する方法について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As autonomous machines such as robots and vehicles start performing tasks
involving human users, ensuring a safe interaction between them becomes an
important issue. Translating methods from human-robot interaction (HRI) studies
to the interaction between humans and other highly complex machines (e.g.
semi-autonomous vehicles) could help advance the use of those machines in
scenarios requiring human interaction. One method involves understanding human
intentions and decision-making to estimate the human's present and near-future
actions whilst interacting with a robot. This idea originates from the
psychological concept of Theory of Mind, which has been broadly explored for
robotics and recently for autonomous and semi-autonomous vehicles. In this
work, we explored how to predict human intentions before an action is performed
by combining data from human-motion, vehicle-state and human inputs (e.g.
steering wheel, pedals). A data-driven approach based on Recurrent Neural
Network models was used to classify the current driving manoeuvre and to
predict the future manoeuvre to be performed. A state-transition model was used
with a fixed set of manoeuvres to label data recorded during the trials for
real-time applications. Models were trained and tested using drivers of
different seat preferences, driving expertise and arm-length; precision and
recall metrics over 95% for manoeuvre identification and 86% for manoeuvre
prediction were achieved, with prediction time-windows of up to 1 second for
both known and unknown test subjects. Compared to our previous results,
performance improved and manoeuvre prediction was possible for unknown test
subjects without knowing the current manoeuvre.
- Abstract（参考訳）: ロボットや車両などの自律型マシンが人間のユーザに関わるタスクを実行し始めると、それら間の安全なインタラクションが問題となる。
人間-ロボット相互作用(HRI)からの翻訳法は、人間と他の高度に複雑な機械(例えば、)との相互作用を研究する。
半自律車)は、人間のインタラクションを必要とするシナリオでこれらのマシンの使用を前進させるのに役立つ。
一つの方法は、ロボットと対話しながら人間の現在および近未来の行動を推定するための人間の意図と意思決定を理解することである。
この考え方は、ロボット工学や最近は自律車や半自律車のために広く研究されてきた心の理論の心理学的概念に由来する。
本研究では、人間の動き、車の状態、人的入力(例えば、人的入力)からのデータを組み合わせて行動の前に人間の意図を予測する方法について検討した。
ハンドル、ペダル)。
リカレントニューラルネットワークモデルに基づくデータ駆動アプローチは、現在の運転操作を分類し、将来の運転動作を予測するために用いられた。
状態遷移モデルは、リアルタイムアプリケーションの試行中に記録されたデータに固定された操作セットで使用される。
モデルは、異なる座席の選好、運転の専門知識、腕長のドライバーを用いて訓練され、精度とリコールのメトリクスが95%以上、操作予測の86%が達成され、既知の被験者と未知の被験者の両方で最大1秒のタイムウインドウが予測された。
以上の結果と比較すると, 未知の被験者に対して, 現在の操作を知らずに, 性能の向上と操作予測が可能であった。
関連論文リスト
- Using High-Level Patterns to Estimate How Humans Predict a Robot will Behave [13.794132035382269]
ロボットと対話する人間は、ロボットが次に何をするかを予測する。
我々は、ロボットが人間の行動を予測する方法を推定できる2階のマインド・アプローチを開発した。
論文 参考訳（メタデータ） (2024-09-20T14:23:05Z) - 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) - Real-time Addressee Estimation: Deployment of a Deep-Learning Model on
the iCub Robot [52.277579221741746]
住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。
人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。
本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
論文 参考訳（メタデータ） (2023-11-09T13:01:21Z) - Towards human-compatible autonomous car: A study of non-verbal Turing
test in automated driving with affective transition modelling [12.70020147251383]
本研究は、69人の参加者のフィードバックに基づいて、AIドライバーが乗客のための人間ライクな乗車体験を作成できるかどうかを実路シナリオで検証した。
テストでは,人間の乗客がどのように人間性に順応するかを検討した。
その結果、乗客の人間性の記述は、より感情的な移行によって増加することが判明した。
論文 参考訳（メタデータ） (2022-12-06T12:06:34Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳（メタデータ） (2022-03-31T23:08:20Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z) - Analyzing Human Models that Adapt Online [42.90591111619058]
予測する人間のモデルは、しばしば人間のデータからパラメータをオンラインに適応する必要がある。
これは、これらのモデルに依存するロボットにとって、これまで無視された安全関連の質問を引き起こします。
ロボットの学習アルゴリズムを,状態が現在のモデルパラメータ推定であり,制御がロボットが観察する人間のデータである動的システムとしてモデル化する。
論文 参考訳（メタデータ） (2021-03-09T22:38:46Z) - 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) - Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。
対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。
本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T19:58:03Z) - Human-robot co-manipulation of extended objects: Data-driven models and
control from analysis of human-human dyads [2.7036498789349244]
我々は人間と人間のダイアド実験のデータを用いて、物理的な人間とロボットのコマニピュレーションタスクに使用する動きの意図を決定する。
我々は、過去の動きに基づく人間の意図を予測するために、人間と人間のトライアルの動作データに基づくディープニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2020-01-03T21:23:12Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。