論文の概要: Impact of Driving Behavior on Commuter's Comfort during Cab Rides:
Towards a New Perspective of Driver Rating
- arxiv url: http://arxiv.org/abs/2108.10944v1
- Date: Tue, 24 Aug 2021 20:36:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 07:19:11.024520
- Title: Impact of Driving Behavior on Commuter's Comfort during Cab Rides:
Towards a New Perspective of Driver Rating
- Title（参考訳）: キャブライディング時の通勤者の快適性に及ぼす運転行動の影響:ドライバーレーティングの新しい視点に向けて
- Authors: Rohit Verma, Sugandh Pargal, Debasree Das, Tanusree Parbat, Sai
Shankar Kambalapalli, Bivas Mitra, and Sandip Chakraborty
- Abstract要約: タクシーでの通勤者の快適さは、ドライバーの格付けだけでなく、UberやLyftのような配車サービス会社の評判にも影響を及ぼす。
我々は、通勤者からスマートフォンセンサデータを収集し、そのデータから空間時系列の特徴を抽出し、運転に関する5点スケールで快適度を算出するシステムRidergoを開発した。
- 参考スコア（独自算出の注目度）: 6.628247938896401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Commuter comfort in cab rides affects driver rating as well as the reputation
of ride-hailing firms like Uber/Lyft. Existing research has revealed that
commuter comfort not only varies at a personalized level but also is perceived
differently on different trips for the same commuter. Furthermore, there are
several factors, including driving behavior and driving environment, affecting
the perception of comfort. Automatically extracting the perceived comfort level
of a commuter due to the impact of the driving behavior is crucial for a timely
feedback to the drivers, which can help them to meet the commuter's
satisfaction. In light of this, we surveyed around 200 commuters who usually
take such cab rides and obtained a set of features that impact comfort during
cab rides. Following this, we develop a system Ridergo which collects
smartphone sensor data from a commuter, extracts the spatial time series
feature from the data, and then computes the level of commuter comfort on a
five-point scale with respect to the driving. Ridergo uses a Hierarchical
Temporal Memory model-based approach to observe anomalies in the feature
distribution and then trains a Multi-task learning-based neural network model
to obtain the comfort level of the commuter at a personalized level. The model
also intelligently queries the commuter to add new data points to the available
dataset and, in turn, improve itself over periodic training. Evaluation of
Ridergo on 30 participants shows that the system could provide efficient
comfort score with high accuracy when the driving impacts the perceived
comfort.
- Abstract（参考訳）: タクシーの通勤の快適さは、ドライバーのレーティングや、uberやlyftのような配車会社の評価に影響する。
既存の研究では、通勤者の快適性はパーソナライズされたレベルで異なるだけでなく、同じ通勤者に対して異なる旅行で異なる認識を受けることが示されている。
さらに、運転行動や運転環境など、快適感に影響を及ぼす要因がいくつかある。
運転行動の影響による通勤者の快適感を自動的に抽出することは、通勤者の満足度を満足させるのに役立つドライバーへのタイムリーなフィードバックに不可欠である。
これを踏まえて、通常このようなタクシーに乗る通勤者約200人を調査し、タクシーの乗り心地に影響を及ぼす一連の特徴を得た。
次に、通勤者からスマートフォンセンサデータを収集し、そのデータから空間時系列特徴を抽出し、運転に関して5ポイントスケールで通勤者の快適さのレベルを算出するシステム ridergoを開発した。
Ridergoは階層的時間記憶モデルに基づくアプローチを用いて特徴分布の異常を観測し、マルチタスク学習に基づくニューラルネットワークモデルを訓練し、パーソナライズされたレベルで通勤者の快適なレベルを得る。
モデルはまた、通勤者に対して、利用可能なデータセットに新しいデータポイントを追加するようにインテリジェントにクエリし、定期的なトレーニングよりも自分自身を改善する。
被験者30名を対象にRidergoの評価を行った結果,運転が快適感に影響を及ぼす場合,効率のよい快適度が得られた。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - 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) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - Identification of Adaptive Driving Style Preference through Implicit
Inputs in SAE L2 Vehicles [1.497563464566495]
本研究は,マルチモーダル信号を用いたユーザ運転スタイルの嗜好の同定を提案する。
被験者36名を対象に運転シミュレータ実験を行い, 行動, 生理, 状況データを含む広範囲なマルチモーダルデータを収集した。
そこで我々は、好みの運転スタイルを識別するための機械学習モデルを構築し、ユーザの好みを特定する上で、すべてのモダリティが重要であることを確認した。
論文 参考訳（メタデータ） (2022-09-21T17:56:21Z) - What's on your mind? A Mental and Perceptual Load Estimation Framework
towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。
これらの測定値の融合により、心的および知覚的負荷レベルを分類する。
我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
論文 参考訳（メタデータ） (2022-08-10T21:19:49Z) - RCA: Ride Comfort-Aware Visual Navigation via Self-Supervised Learning [14.798955901284847]
共有された自律性の下では、車いすの利用者は安全で快適な乗用車を提供し、高レベルのナビゲーション計画に従うことを期待する。
本稿では,固有感覚を用いた走行性解析において,乗り心地を明示的にモデル化することを提案する。
我々のナビゲーションシステムは,ロボット実験を通じて人間に好意的な乗り心地を提供するとともに,人間の評価研究も行っている。
論文 参考訳（メタデータ） (2022-07-29T03:38:41Z) - Audiovisual Affect Assessment and Autonomous Automobiles: Applications [0.0]
このコントリビューションは、課題を予測し、ロードコンテキスト上のマルチモーダルな"オーディオプラスx"におけるモデリングに影響を与える潜在的な方法を提供することを目的としています。
技術的には、乗用車内の個人を全面的にモデル化し、信頼性の高いダイアリゼーションを行う。
結論として、自動感情分析は、最初に選択されたユースケースにおける自動運転車の適用可能性の点まで成熟した。
論文 参考訳（メタデータ） (2022-03-14T20:39:02Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - 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) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳（メタデータ） (2020-06-20T11:56:32Z) - Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。
iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。
世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
論文 参考訳（メタデータ） (2020-06-16T00:45:08Z)
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。