Fugu-MT 論文翻訳(概要): Dynamic and Systematic Survey of Deep Learning Approaches for Driving Behavior Analysis

論文の概要: Dynamic and Systematic Survey of Deep Learning Approaches for Driving Behavior Analysis

arxiv url: http://arxiv.org/abs/2109.08996v1
Date: Sat, 18 Sep 2021 19:47:03 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:44:36.821657
Title: Dynamic and Systematic Survey of Deep Learning Approaches for Driving Behavior Analysis
Title（参考訳）: 運転行動分析のための深層学習アプローチの動的・系統的研究
Authors: Farid Talebloo, Emad A. Mohammed, Behrouz H. Far
Abstract要約: 運転行動の分析は、言及された問題の最適化と回避につながる可能性がある。運転の種類を特定して、その運転の結果にマッピングすることで、予防するためのモデルを得ることができます。
参考スコア（独自算出の注目度）: 2.879036956042183
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Improper driving results in fatalities, damages, increased energy consumptions, and depreciation of the vehicles. Analyzing driving behaviour could lead to optimize and avoid mentioned issues. By identifying the type of driving and mapping them to the consequences of that type of driving, we can get a model to prevent them. In this regard, we try to create a dynamic survey paper to review and present driving behaviour survey data for future researchers in our research. By analyzing 58 articles, we attempt to classify standard methods and provide a framework for future articles to be examined and studied in different dashboards and updated about trends.
Abstract（参考訳）: 不適切な運転は死亡率、損傷、エネルギー消費の増加、車両の劣化をもたらす。運転行動の分析は、前述の問題を最適化し、回避する可能性がある。運転のタイプを特定して、そのタイプの運転の結果にマッピングすることで、それを防ぐモデルを得ることができるのです。そこで本研究では,将来の研究者を対象とした運転行動調査データをレビューし,提示するための動的調査論文を作成しようとしている。 58の論文を分析し,標準手法を分類し,今後の論文を異なるダッシュボードで検討・検討し,トレンドについて更新するためのフレームワークを提供する。

関連論文リスト

Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文参考訳（メタデータ） (2024-11-04T09:21:00Z)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods [2.765388013062202]
エネルギー効率の良い運転行動や戦略に関する包括的な調査は行われていない。多くの最先端AIモデルは、エコフレンドリーな運転スタイルの分析に応用されているが、概観は得られていない。本稿では、生態的な運転行動とスタイルに関する詳細な文献レビューを行い、エネルギー消費に影響を与える運転要因について分析する。
論文参考訳（メタデータ） (2024-03-04T13:57:34Z)
RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文参考訳（メタデータ） (2023-12-12T06:21:30Z)
Social Interaction-Aware Dynamical Models and Decision Making for Autonomous Vehicles [20.123965317836106]
IAAD(Interaction-Aware Autonomous Driving)は、急速に成長する研究分野である。それは、人間の道路利用者と安全かつ効率的に対話できる自動運転車の開発に焦点を当てている。これは、自動運転車が人間の道路利用者の行動を理解し予測できることを要求するため、困難な作業である。
論文参考訳（メタデータ） (2023-10-29T03:43:50Z)
Using Visual and Vehicular Sensors for Driver Behavior Analysis: A Survey [0.0]
危険ドライバーは米国での死亡事故の70%を占めている。本稿では,視覚・車体データを用いた運転者の行動分析手法について検討する。
論文参考訳（メタデータ） (2023-08-25T14:33:59Z)
Estimating Driver Personality Traits from On-Road Driving Data [1.4330510916280879]
本稿では,運転支援システムにおける運転データを用いた運転者の心理的特徴の推定に焦点をあてる。本研究では,認知機能,心理的運転スタイル,作業負荷感などのドライバの心理的特徴を推定するモデルを構築した。
論文参考訳（メタデータ） (2023-02-09T20:46:46Z)
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)
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)
Passive and Active Learning of Driver Behavior from Electric Vehicles [2.9623902973073375]
運転者の振る舞いをモデル化することは、電気自動車のエネルギー消費の予測など、自動車業界にいくつかの利点をもたらす。機械学習手法はドライバーの行動分類に広く使われており、いくつかの課題をもたらす可能性がある。これには、長期のウィンドウ上のシーケンスモデリングや、高価なアノテーションによるラベル付きデータの欠如が含まれる。
論文参考訳（メタデータ） (2022-03-04T08:18:02Z)
Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文参考訳（メタデータ） (2021-05-03T05:55:30Z)

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。