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
- The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。
DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
論文 参考訳(メタデータ) (2025-02-14T18:43:15Z) - Driver Age and Its Effect on Key Driving Metrics: Insights from Dynamic Vehicle Data [2.3072218701168166]
2030年までに65歳以上の高齢者は50%以上増加し、道路上の高齢者の数が大幅に増加すると予想されている。
70人以上のドライバーは、40代や50代よりも死亡率が高い。
論文 参考訳(メタデータ) (2025-01-12T20:01:07Z) - 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) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。
本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。
提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
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)
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。