論文の概要: Driving Style Recognition Using Interval Type-2 Fuzzy Inference System
and Multiple Experts Decision Making
- arxiv url: http://arxiv.org/abs/2110.13805v1
- Date: Tue, 26 Oct 2021 16:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 14:50:54.087608
- Title: Driving Style Recognition Using Interval Type-2 Fuzzy Inference System
and Multiple Experts Decision Making
- Title（参考訳）: インターバル型2ファジィ推論システムと複数専門家意思決定を用いた運転スタイル認識
- Authors: Iago Pach\^eco Gomes and Denis Fernando Wolf
- Abstract要約: 運転スタイルは、車両の動きを反映する様々な運転動作を要約する。
本稿では,複数専門家によるファジィ推論システムを用いた運転スタイル認識を提案する。
- 参考スコア（独自算出の注目度）: 1.6850653399436653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driving styles summarize different driving behaviors that reflect in the
movements of the vehicles. These behaviors may indicate a tendency to perform
riskier maneuvers, consume more fuel or energy, break traffic rules, or drive
carefully. Therefore, this paper presents a driving style recognition using
Interval Type-2 Fuzzy Inference System with Multiple Experts Decision-Making
for classifying drivers into calm, moderate and aggressive. This system
receives as input features longitudinal and lateral kinematic parameters of the
vehicle motion. The type-2 fuzzy sets are more robust than type-1 fuzzy sets
when handling noisy data, because their membership function are also fuzzy
sets. In addition, a multiple experts approach can reduce the bias and
imprecision while building the fuzzy rulebase, which stores the knowledge of
the fuzzy system. The proposed approach was evaluated using descriptive
statistics analysis, and compared with clustering algorithms and a type-1 fuzzy
inference system. The results show the tendency to associate lower kinematic
profiles for the driving styles classified with the type-2 fuzzy inference
system when compared to other algorithms, which is in line with the more
conservative approach adopted in the aggregation of the experts' opinions.
- Abstract（参考訳）: 運転スタイルは、車両の動きを反映する様々な運転行動を要約する。
これらの行動は、よりリスクの高い操作を行い、より多くの燃料やエネルギーを消費し、交通規則を破り、慎重に運転する傾向を示す。
そこで本稿では,運転者を穏やか・中等・アグレッシブに分類するために,複数専門家によるファジィ推論システムを用いた運転スタイル認識を提案する。
本システムは車両運動の縦・横運動パラメータを入力として受信する。
タイプ2ファジィ集合は、そのメンバーシップ関数もファジィ集合であるため、ノイズデータを扱うときのタイプ1ファジィ集合よりも頑丈である。
さらに、複数の専門家のアプローチにより、ファジィシステムの知識を格納するファジィルールベースを構築しながら、バイアスと不正確性を低減できる。
提案手法は記述統計解析を用いて評価し,クラスタリングアルゴリズムとタイプ1ファジィ推論システムと比較した。
その結果、他のアルゴリズムと比較すると、2型ファジィ推論システムに分類された運転スタイルの低体型プロファイルを関連付ける傾向を示し、これは専門家の意見の集約に採用されるより保守的なアプローチと一致している。
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) - 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) - 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) - Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。
State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。
本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文 参考訳（メタデータ） (2022-10-17T21:22:41Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳（メタデータ） (2022-07-30T16:23:45Z) - Unsupervised Driving Behavior Analysis using Representation Learning and
Exploiting Group-based Training [15.355045011160804]
運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。
現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。
時系列の圧縮表現を学習することで一貫した群を形成する。
論文 参考訳（メタデータ） (2022-05-12T10:27:47Z) - A Comparative Analysis of Decision-Level Fusion for Multimodal Driver
Behaviour Understanding [22.405229530620414]
本稿では,映像に基づく運転観察における決定レベルの遅延融合のための異なるパラダイムの実証的評価について述べる。
単一モーダル分類器の結果を結合するための7つの異なるメカニズムを比較した。
これは、車内におけるマルチモーダル予測器の結果を融合させる戦略に関する最初の体系的な研究である。
論文 参考訳（メタデータ） (2022-04-10T17:49:22Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳（メタデータ） (2022-03-15T22:10:01Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳（メタデータ） (2020-09-23T14:56:19Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。