論文の概要: Predicting Driver Takeover Time in Conditionally Automated Driving

• arxiv url: http://arxiv.org/abs/2107.09545v1
• Date: Tue, 20 Jul 2021 15:01:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 18:22:28.168020
• Title: Predicting Driver Takeover Time in Conditionally Automated Driving
• Title（参考訳）: 条件付き自動走行におけるドライバの乗っ取り時間予測
• Authors: Jackie Ayoub, Na Du, X. Jessie Yang, Feng Zhou
• Abstract要約: 安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。 以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。 メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
• 参考スコア（独自算出の注目度）: 14.861880139643942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is extremely important to ensure a safe takeover transition in conditionally automated driving. One of the critical factors that quantifies the safe takeover transition is takeover time. Previous studies identified the effects of many factors on takeover time, such as takeover lead time, non-driving tasks, modalities of the takeover requests (TORs), and scenario urgency. However, there is a lack of research to predict takeover time by considering these factors all at the same time. Toward this end, we used eXtreme Gradient Boosting (XGBoost) to predict the takeover time using a dataset from a meta-analysis study [1]. In addition, we used SHAP (SHapley Additive exPlanation) to analyze and explain the effects of the predictors on takeover time. We identified seven most critical predictors that resulted in the best prediction performance. Their main effects and interaction effects on takeover time were examined. The results showed that the proposed approach provided both good performance and explainability. Our findings have implications on the design of in-vehicle monitoring and alert systems to facilitate the interaction between the drivers and the automated vehicle.
• Abstract（参考訳）: 条件付き自動運転において安全な乗っ取り遷移を確保することは極めて重要である。 安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。 これまでの研究では、乗っ取りリードタイム、非運転タスク、乗っ取り要求のモダリティ(tor)、シナリオ緊急性など、多くの要因が乗っ取り時間に与える影響が特定されている。 しかし、これらの要因を全て同時に考慮し、テイクオーバ時間を予測する研究は欠如している。 この目的に向けて,メタ分析研究から得られたデータセットを用いて,eXtreme Gradient Boosting (XGBoost) を用いてテイクオーバー時間の予測を行った。 さらに、SHAP(SHapley Additive exPlanation)を用いて、予測器が乗っ取り時間に与える影響を分析し、説明した。 最高の予測性能をもたらす7つの重要な予測因子を特定した。 テイクオーバー時間に対する主な効果と相互作用効果を検討した。 その結果,提案手法は優れた性能と説明可能性を示した。 本研究は,ドライバーと自動走行車とのインタラクションを促進するため,車内監視・警報システムの設計に影響を及ぼす。

関連論文リスト

• Multi-agent Traffic Prediction via Denoised Endpoint Distribution [23.767783008524678]
  高速での軌道予測には歴史的特徴と周囲の物体との相互作用が必要である。 軌道予測のためのDenoized Distributionモデルを提案する。 我々のアプローチは、エンドポイント情報によるモデルの複雑さとパフォーマンスを著しく削減します。
  論文  参考訳（メタデータ） (2024-05-11T15:41:32Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
  軌道予測は自律運転システムの性能において重要な役割を果たす。 固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
  論文  参考訳（メタデータ） (2023-06-27T01:29:20Z)
• On the Forces of Driver Distraction: Explainable Predictions for the Visual Demand of In-Vehicle Touchscreen Interactions [5.375634674639956]
  車載タッチスクリーンHuman-Machine Interfaces(HMI)は、可能な限り気を散らさなければならない。 本稿では,車内タッチスクリーン相互作用の視覚的要求を予測する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:50:26Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)
• Uncertainty-Aware Vehicle Orientation Estimation for Joint Detection-Prediction Models [12.56249869551208]
  オリエンテーションは、自律システムの下流モジュールにとって重要な特性である。 本稿では,既存のモデルを拡張し,共同物体検出と動き予測を行う手法を提案する。 さらに、この手法は予測の不確かさを定量化することができ、推定された向きが反転する確率を出力することができる。
  論文  参考訳（メタデータ） (2020-11-05T21:59:44Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。