論文の概要: Driver-centric Risk Object Identification

• arxiv url: http://arxiv.org/abs/2106.13201v1
• Date: Thu, 24 Jun 2021 17:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 14:56:24.895490
• Title: Driver-centric Risk Object Identification
• Title（参考訳）: ドライバ中心型リスクオブジェクト識別
• Authors: Chengxi Li, Stanley H. Chan, Yi-Ting Chen
• Abstract要約: 運転者中心のリスク定義,すなわち危険物が運転者行動に影響を与えることを提案する。 本稿では,本課題を原因影響問題として定式化し,新たな2段階リスクオブジェクト識別フレームワークを提案する。 運転者中心型リスクオブジェクト識別データセットを算出し,提案システムの評価を行う。
• 参考スコア（独自算出の注目度）: 25.85690304998681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A massive number of traffic fatalities are due to driver errors. To reduce fatalities, developing intelligent driving systems assisting drivers to identify potential risks is in urgent need. Risky situations are generally defined based on collision prediction in existing research. However, collisions are only one type of risk in traffic scenarios. We believe a more generic definition is required. In this work, we propose a novel driver-centric definition of risk, i.e., risky objects influence driver behavior. Based on this definition, a new task called risk object identification is introduced. We formulate the task as a cause-effect problem and present a novel two-stage risk object identification framework, taking inspiration from models of situation awareness and causal inference. A driver-centric Risk Object Identification (ROI) dataset is curated to evaluate the proposed system. We demonstrate state-of-the-art risk object identification performance compared with strong baselines on the ROI dataset. In addition, we conduct extensive ablative studies to justify our design choices.
• Abstract（参考訳）: 大量の交通事故がドライバーのミスによるものである。 死亡率を減らすため、ドライバーが潜在的なリスクを特定するためのインテリジェントな運転システムの開発が急務である。 リスク状況は、既存の研究における衝突予測に基づいて一般的に定義される。 しかし、衝突は交通シナリオにおけるリスクの1つのタイプに過ぎない。 より一般的な定義が必要だと考えています。 本研究では,ドライバ中心の新たなリスク定義,すなわち,リスク対象がドライバの行動に影響を及ぼすことを提案する。 この定義に基づいて、リスクオブジェクト識別と呼ばれる新しいタスクが導入される。 タスクを因果効果問題として定式化し,状況認識と因果推論のモデルから着想を得て,新たな2段階リスクオブジェクト識別フレームワークを提案する。 運転者中心型リスクオブジェクト識別(ROI)データセットを算出し,提案システムを評価する。 我々は、ROIデータセットの強いベースラインと比較して、最先端のリスクオブジェクト識別性能を示す。 さらに、設計の選択を正当化するために、広範なアブレーション研究を行っています。

関連論文リスト

• Risks and NLP Design: A Case Study on Procedural Document QA [52.557503571760215]
  より具体的なアプリケーションやユーザに対して分析を専門化すれば,ユーザに対するリスクや害の明確な評価が可能になる,と我々は主張する。 リスク指向のエラー分析を行い、リスクの低減とパフォーマンスの向上を図り、将来のシステムの設計を通知する。
  論文  参考訳（メタデータ） (2024-08-16T17:23:43Z)
• EAIRiskBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [47.69642609574771]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 EAIRiskBenchは、EAIシナリオにおける自動物理的リスクアセスメントのための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction [0.0]
  MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。 MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。 我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
  論文  参考訳（メタデータ） (2024-02-20T23:20:36Z)
• RiskBench: A Scenario-based Benchmark for Risk Identification [4.263035319815899]
  この研究は、リスク識別、ダイナミックなトラフィック参加者と予期せぬイベントから生じるリスクを特定し分析するプロセスに焦点を当てている。 リスク識別のための大規模シナリオベースベンチマークである textbfRiskBench を紹介する。 我々は,(1)リスクの検出と発見,(2)リスクの予測,(3)意思決定の促進を行う10のアルゴリズムの能力を評価する。
  論文  参考訳（メタデータ） (2023-12-04T06:21:22Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• 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)
• Intersection Warning System for Occlusion Risks using Relational Local Dynamic Maps [0.0]
  本研究は,センサカバレッジの制限による可観測性に制限のある交通シナリオにおけるリスク評価の課題に対処する。 視界の特定には、幾何学的情報と道路インフラを提供する局所的ダイナミックマップにレイキャスティングを用いる。 結果として生じるリスク指標は、ドライバーの現在の行動を評価し、重大な状況でドライバーに警告し、安全に行動する方法や安全な軌道を計画する方法を提案するために使用される。
  論文  参考訳（メタデータ） (2023-03-13T16:01:55Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Addressing Inherent Uncertainty: Risk-Sensitive Behavior Generation for Automated Driving using Distributional Reinforcement Learning [0.0]
  自動運転車におけるリスク感応行動生成のための2段階のアプローチを提案する。 まず, 深層分布強化学習を用いて, 不確実な環境下で最適政策を学習する。 実行中は、確立されたリスク基準を適用して最適なリスク感受性行動を選択する。
  論文  参考訳（メタデータ） (2021-02-05T11:45:12Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk Object Identification via Causal Inference [19.71459945458985]
  運転者中心のリスク定義,すなわち運転者の行動に影響を与えるオブジェクトは危険である。 提案するオブジェクトレベルの操作可能な駆動モデルを用いた因果推論に基づく新しい2段階リスクオブジェクト識別フレームワークを提案する。 当社のフレームワークは,強力なベースラインに対するパフォーマンスを7.5%向上させています。
  論文  参考訳（メタデータ） (2020-03-05T04:14:35Z)

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。