Fugu-MT 論文翻訳(概要): Self-Driving Cars and Driver Alertness

論文の概要: Self-Driving Cars and Driver Alertness

arxiv url: http://arxiv.org/abs/2107.14036v1
Date: Tue, 20 Jul 2021 23:55:44 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 11:39:30.878757
Title: Self-Driving Cars and Driver Alertness
Title（参考訳）: 自動運転車とドライバーの警告
Authors: Nguyen H Tran and Abhaya C Nayak
Abstract要約: 自動運転車を制御している間の注意力の低下は、予測不能な状況下でドライバーが介入する能力を妨げかねない。研究者、ドライバー、業界、政策立案者など、さまざまな利害関係者に推奨します。
参考スコア（独自算出の注目度）: 16.00431760297241
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recent years have seen growing interest in the development of self-driving vehicles that promise (or threaten) to replace human drivers with intelligent software. However, current self-driving cars still require human supervision and prompt takeover of control when necessary. Poor alertness while controlling self-driving cars could hinder the drivers' ability to intervene during unpredictable situations, thus increasing the risk of avoidable accidents. In this paper we examine the key factors that contribute to drivers' poor alertness, and the potential solutions that have been proposed to address them. Based on this examination we make some recommendations for various stakeholders, such as researchers, drivers, industry and policy makers.
Abstract（参考訳）: 近年、人間のドライバーをインテリジェントなソフトウェアに置き換える(または脅かす)自動運転車の開発への関心が高まっている。しかし、現在の自動運転車は、必要であれば人間の監督と迅速な制御の獲得を必要とする。自動運転車を制御している間に、運転者が予測不可能な状況に介入する能力を妨げ、回避可能な事故のリスクを増大させる可能性がある。本稿では,運転者の注意力低下に寄与する要因と,それに対応するために提案された潜在的な解決策について検討する。この調査に基づいて、研究者、ドライバー、業界、政策立案者など、様々な利害関係者に推奨する。

関連論文リスト

Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Considering Human Factors in Risk Maps for Robust and Foresighted Driver Warning [1.4699455652461728]
本稿では,ドライバーエラーの形で人間の状態を利用する警告システムを提案する。このシステムは、周囲の運転状況の予測を直接変更する行動プランナーのリスクマップで構成されている。動的車線変化と交差点シナリオの異なるシミュレーションでは、運転者の行動計画がいかに危険になるかを示す。
論文参考訳（メタデータ） (2023-06-06T16:39:58Z)
Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文参考訳（メタデータ） (2023-03-21T22:55:51Z)
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)
Drivers' attention detection: a systematic literature review [62.997667081978825]
多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
論文参考訳（メタデータ） (2022-04-06T11:36:40Z)
Adversarial Deep Reinforcement Learning for Trustworthy Autonomous Driving Policies [5.254093731341154]
我々は、自動運転車の深い強化学習ポリシーの改善を支援するために、敵対的な例が利用できることを示した。高忠実度都市運転シミュレーション環境と視覚ベース運転エージェントを用いて、敵プレイヤーを用いて再訓練した自動運転車が、その運転ポリシーの性能を著しく向上させることを実証した。
論文参考訳（メタデータ） (2021-12-22T15:00:16Z)
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)
Behavioral Research and Practical Models of Drivers' Attention [21.70169149901781]
このレポートは、ドライバーの内部および外部の要因によるドライバーの視覚的注意の変化に関する文献をカバーしています。ドライバーの注意に関する学際的な理論的および行動的研究と実用的な解決策を結びつけます。このレポートは、175以上の行動研究、100近い実用的な論文、20のデータセット、2010年以来の70以上の調査に基づいています。
論文参考訳（メタデータ） (2021-04-12T17:42:04Z)
DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
論文参考訳（メタデータ） (2020-12-31T04:24:46Z)
Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文参考訳（メタデータ） (2020-11-21T09:43:50Z)
Affordable Modular Autonomous Vehicle Development Platform [0.0]
毎年125万人が道路事故で死亡し、アフリカは道路事故の死亡率が最も高い。財政的な制約は、アフリカにおける実験や自動運転技術の研究を妨げている。本稿では,手頃なモジュール型自動運転車開発プラットフォームであるRollEの設計について述べる。
論文参考訳（メタデータ） (2020-06-20T22:51:48Z)

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。