論文の概要: Markov Switching Model for Driver Behavior Prediction: Use cases on
Smartphones
- arxiv url: http://arxiv.org/abs/2108.12801v1
- Date: Sun, 29 Aug 2021 09:54:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 04:26:45.438422
- Title: Markov Switching Model for Driver Behavior Prediction: Use cases on
Smartphones
- Title(参考訳): 運転行動予測のためのマルコフ切替モデル:スマートフォンのユースケース
- Authors: Ahmed B. Zaky, Mohamed A. Khamis, Walid Gomaa
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.576379639081977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Several intelligent transportation systems focus on studying the various
driver behaviors for numerous objectives. This includes the ability to analyze
driver actions, sensitivity, distraction, and response time. As the data
collection is one of the major concerns for learning and validating different
driving situations, we present a driver behavior switching model validated by a
low-cost data collection solution using smartphones. The proposed model is
validated using a real dataset to predict the driver behavior in short duration
periods. A literature survey on motion detection (specifically driving behavior
detection using smartphones) is presented. Multiple Markov Switching Variable
Auto-Regression (MSVAR) models are implemented to achieve a sophisticated
fitting with the collected driver behavior data. This yields more accurate
predictions not only for driver behavior but also for the entire driving
situation. The performance of the presented models together with a suitable
model selection criteria is also presented. The proposed driver behavior
prediction framework can potentially be used in accident prediction and driver
safety systems.
- Abstract(参考訳): いくつかのインテリジェント交通システムは、様々なドライバーの行動を研究することに焦点を当てている。
これにはドライバーの行動、感度、気晴らし、応答時間を分析する機能が含まれている。
データ収集は異なる運転状況の学習と検証における主要な関心事の一つであり,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。
運動検出(特にスマートフォンを用いた行動検出)に関する文献調査を行った。
複数のマルコフスイッチング可変オートリグレッション(msvar)モデルを実装し、収集した運転行動データに高度な適合を実現する。
これにより、ドライバーの振る舞いだけでなく、運転状況全体の正確な予測が可能になる。
また,提案モデルの性能と適切なモデル選択基準についても述べる。
提案した運転行動予測フレームワークは事故予知や運転安全システムに使用することができる。
関連論文リスト
- Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳(メタデータ) (2023-12-19T12:56:56Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - 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) - A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through
Particle Filtering [6.9485501711137525]
本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。
この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
論文 参考訳(メタデータ) (2021-08-29T11:07:14Z) - Unsupervised Driver Behavior Profiling leveraging Recurrent Neural
Networks [6.8438089867929905]
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。
論文 参考訳(メタデータ) (2021-08-11T07:48:27Z) - An Automated Machine Learning (AutoML) Method for Driving Distraction
Detection Based on Lane-Keeping Performance [2.3951613028271397]
本研究では,ドメイン固有自動機械学習(AutoML)を提案し,最適なモデルを自己学習して気晴らしを検出する。
提案したAutoGBM法は,電話による運転障害の予測に信頼性があり,有望であることがわかった。
目的のautogbmは、少ない機能でより良いパフォーマンスを生み出すだけでなく、システム設計に関するデータ駆動の洞察を提供する。
論文 参考訳(メタデータ) (2021-03-10T12:37:18Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - 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。