論文の概要: Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2108.05079v1
• Date: Wed, 11 Aug 2021 07:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:37:07.157321
• Title: Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks
• Title（参考訳）: リカレントニューラルネットワークを用いた教師なし運転行動プロファイリング
• Authors: Young Ah Choi, Kyung Ho Park, Eunji Park, Huy Kang Kim
• Abstract要約: 本研究では,教師なし学習パラダイムを活用したドライバの行動プロファイリング手法を提案する。 まず,運転者の行動プロファイル問題を異常検出に用いた。 次に,特徴ベクトル列が与えられた次の特徴ベクトルを予測する再帰的ニューラルネットワークを構築した。 第三に、攻撃的なドライバーの行動を特定するために、最適なシーケンス長のレベルを解析した。
• 参考スコア（独自算出の注目度）: 6.8438089867929905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of intelligent transportation, driver behavior profiling has become a beneficial technology as it provides knowledge regarding the driver's aggressiveness. Previous approaches achieved promising driver behavior profiling performance through establishing statistical heuristics rules or supervised learning-based models. Still, there exist limits that the practitioner should prepare a labeled dataset, and prior approaches could not classify aggressive behaviors which are not known a priori. In pursuit of improving the aforementioned drawbacks, we propose a novel approach to driver behavior profiling leveraging an unsupervised learning paradigm. First, we cast the driver behavior profiling problem as anomaly detection. Second, we established recurrent neural networks that predict the next feature vector given a sequence of feature vectors. We trained the model with normal driver data only. As a result, our model yields high regression error given a sequence of aggressive driver behavior and low error given at a sequence of normal driver behavior. We figured this difference of error between normal and aggressive driver behavior can be an adequate flag for driver behavior profiling and accomplished a precise performance in experiments. Lastly, we further analyzed the optimal level of sequence length for identifying each aggressive driver behavior. We expect the proposed approach to be a useful baseline for unsupervised driver behavior profiling and contribute to the efficient, intelligent transportation ecosystem.
• Abstract（参考訳）: インテリジェント輸送の時代において、ドライバーの攻撃性に関する知識を提供するため、ドライバーの行動プロファイルは有益な技術となっている。 従来のアプローチでは、統計的ヒューリスティックスルールや教師付き学習ベースモデルを確立することで、ドライバーの行動プロファイリングのパフォーマンス向上を実現していた。 それでも、実践者がラベル付きデータセットを準備すべきには限界があり、事前のアプローチでは優先順位が分かっていない攻撃的な振る舞いを分類できない。 上記の欠点を改善するために,教師なし学習パラダイムを活用したドライバの行動プロファイリング手法を提案する。 まず,運転行動プロファイリング問題を異常検出としてキャストした。 次に,特徴ベクトル列が与えられた次の特徴ベクトルを予測する再帰ニューラルネットワークを構築した。 通常のドライバーデータだけでモデルを訓練しました。 その結果、本モデルでは、攻撃的な運転者の行動列と正常な運転者の行動列で与えられる低誤差から高い回帰誤差を生じる。 通常の運転行動とアグレッシブ運転行動の誤差の違いは、運転行動のプロファイリングに適切なフラグになりうると考え、実験で正確な性能を達成できた。 最後に,各アグレッシブドライバ行動の同定に最適なシーケンス長のレベルを更に分析した。 提案手法は,教師なし運転行動プロファイリングに有用なベースラインであり,効率的なインテリジェントトランスポーテーションエコシステムに寄与することを期待している。

関連論文リスト

• 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)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• 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)
• Recommender Transformers with Behavior Pathways [50.842316273120744]
  Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。 実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-06-13T08:58:37Z)
• 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)
• Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
  ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。 本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-01T20:18:03Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• Driver Anomaly Detection: A Dataset and Contrastive Learning Approach [17.020790792750457]
  本稿では,通常の運転と異常運転を区別する指標を学習するための対照的な学習手法を提案する。 本手法はテストセットの0.9673 AUCに到達し,異常検出タスクに対する対照的な学習手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-09-30T13:23:21Z)
• Online Parameter Estimation for Human Driver Behavior Prediction [5.927030511296174]
  インテリジェントドライバモデルに適用されたオンラインパラメータ推定は、衝突のない軌道を提供しながら、ニュアンスな個人運転行動をキャプチャすることを示す。 本研究は,運転モデルの真理データ実証における近接性を評価し,その結果の緊急運転行動の安全性を評価する。
  論文  参考訳（メタデータ） (2020-05-06T05:15:23Z)

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。