論文の概要: Identifying On-road Scenarios Predictive of ADHD usingDriving Simulator Time Series Data

• arxiv url: http://arxiv.org/abs/2111.06774v1
• Date: Fri, 12 Nov 2021 15:36:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-15 17:30:01.864861
• Title: Identifying On-road Scenarios Predictive of ADHD usingDriving Simulator Time Series Data
• Title（参考訳）: 運転シミュレータ時系列データを用いたadhdの路上シナリオ予測
• Authors: David Grethlein, Aleksanteri Sladek, Santiago Onta\~n\'on
• Abstract要約: 本稿では,対象タスクの予測可能な時系列のサブインターバルを自動的に識別する新しいアルゴリズムを提案する。 運転シミュレーター研究から収集したデータを用いて、注意欠陥高活動障害(ADHD)の存在を予測できる運転行動を示す経路に沿った空間領域を特定する。 実験の結果,事前の取り組み (+10%以上の精度) よりも向上し, 道路上でのシナリオの特定とスクリプト化の整合性が良好であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we introduce a novel algorithm called Iterative Section Reduction (ISR) to automatically identify sub-intervals of spatiotemporal time series that are predictive of a target classification task. Specifically, using data collected from a driving simulator study, we identify which spatial regions (dubbed "sections") along the simulated routes tend to manifest driving behaviors that are predictive of the presence of Attention Deficit Hyperactivity Disorder (ADHD). Identifying these sections is important for two main reasons: (1) to improve predictive accuracy of the trained models by filtering out non-predictive time series sub-intervals, and (2) to gain insights into which on-road scenarios (dubbed events) elicit distinctly different driving behaviors from patients undergoing treatment for ADHD versus those that are not. Our experimental results show both improved performance over prior efforts (+10% accuracy) and good alignment between the predictive sections identified and scripted on-road events in the simulator (negotiating turns and curves).
• Abstract（参考訳）: 本稿では,対象分類タスクの予測可能な時空間時系列のサブインターバルを自動的に識別する,Iterative Section Reduction (ISR) という新しいアルゴリズムを提案する。 具体的には,運転シミュレータ研究から収集したデータを用いて,注意欠陥多動性障害(adhd)の存在を予測した運転行動が,シミュレーション経路に沿ってどの空間領域(いわゆる「セクション」)に現れるかを特定する。 これらの区分の同定は,(1)非予測時系列サブインターバルをフィルタリングすることにより,訓練モデルの予測精度を向上させること,(2)どのオンロードシナリオ(ドゥブドイベント)がadhd治療中の患者とそうでない患者とで明らかに異なる運転行動を示すこと,の2つの主な理由から重要である。 実験の結果,事前の作業よりも性能が向上し(精度が10%以上),シミュレータ上でのオンロードイベントの特定とスクリプト化(ターンとカーブの交渉)が良好であった。

関連論文リスト

• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
  本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。 本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。 本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
  論文  参考訳（メタデータ） (2024-08-08T03:49:05Z)
• 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)
• Driving Points Prediction For Abdominal Probabilistic Registration [3.4093813201755627]
  確率変位登録モデルは、点のサブセットの変位分布を推定する。 本研究では,駆動点予測器の学習について述べる。 異なるモーダル性に対応する2つの異なるデータセットに対するコントリビューションの効果を評価する。
  論文  参考訳（メタデータ） (2022-08-05T15:28:01Z)
• Discovering Behavioral Predispositions in Data to Improve Human Activity Recognition [1.2961180148172198]
  本研究は,患者が特定の行動を示す傾向のある日や週の特定の時間に観察を行うことにより,認識性能を向上させることを提案する。 クラスタ内のすべての時間セグメントは、同じ挙動からなり、従って振舞い前沈着(BPD)を示す。 実験により、時間セグメント当たりのBPDが分かっている場合、活動認識性能が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2022-07-18T10:07:15Z)
• 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)
• Predicting Pedestrian Crossing Intention with Feature Fusion and Spatio-Temporal Attention [0.0]
  歩行者の交差の意図は都市運転のためにリアルタイムで認識されるべきです。 最近の研究は、このタスクに視覚ベースのディープニューラルネットワークモデルを使用することの可能性を示している。 本研究は,歩行者横断意図予測において,本質的に異なる時間的特徴を融合するニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-12T14:10:25Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
  本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。 最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。 第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。 第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
  論文  参考訳（メタデータ） (2020-04-29T14:59:58Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。