Fugu-MT 論文翻訳(概要): Secure Routine: A Routine-Based Algorithm for Drivers Identification

論文の概要: Secure Routine: A Routine-Based Algorithm for Drivers Identification

arxiv url: http://arxiv.org/abs/2112.06200v1
Date: Sun, 12 Dec 2021 10:53:06 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 10:51:49.818688
Title: Secure Routine: A Routine-Based Algorithm for Drivers Identification
Title（参考訳）: Secure Routine: ドライバー識別のためのルーチンベースのアルゴリズム
Authors: Davide Micale and Gianpiero Costantino and Ilaria Matteucci and Giuseppe Patan\`e and Giampaolo Bella
Abstract要約: 本稿では,運転者の識別にドライバの習慣を用いるパラダイムであるSecure Routineについて述べる。結果はよく知られた測定値を用いて測定され、Secure Routineが比較した結果よりも優れていることを示す。
参考スコア（独自算出の注目度）: 0.587978226098469
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The introduction of Information and Communication Technology (ICT) in transportation systems leads to several advantages (efficiency of transport, mobility, traffic management). However, it may bring some drawbacks in terms of increasing security challenges, also related to human behaviour. As an example , in the last decades attempts to characterize drivers' behaviour have been mostly targeted. This paper presents Secure Routine, a paradigm that uses driver's habits to driver identification and, in particular, to distinguish the vehicle's owner from other drivers. We evaluate Secure Routine in combination with other three existing research works based on machine learning techniques. Results are measured using well-known metrics and show that Secure Routine outperforms the compared works.
Abstract（参考訳）: 交通システムにおける情報通信技術(ICT)の導入は、いくつかの利点(輸送、移動、交通管理の効率性)をもたらす。しかし、人間の行動にも関連するセキュリティ上の課題の増加という点で、いくつかの欠点をもたらす可能性がある。例えば、過去数十年間、ドライバーの行動を特徴付ける試みは、主に標的とされてきた。本稿では,運転者の識別や,特に車両の所有者と他のドライバを区別するために,運転者の習慣を利用するパラダイムであるsecure routineを提案する。我々は、機械学習技術に基づく他の3つの既存の研究と組み合わせてSecure Routineを評価する。結果はよく知られた測定値を用いて測定され、Secure Routineが比較した結果よりも優れていることを示す。

関連論文リスト

Efficient Mixture-of-Expert for Video-based Driver State and Physiological Multi-task Estimation in Conditional Autonomous Driving [12.765198683804094]
道路の安全は世界中で重要な課題であり、交通事故による死者は約135万人である。 VDMoEと呼ばれる新しいマルチタスクDMSを提案し、RGBビデオ入力を利用して運転状態を非侵襲的に監視する。
論文参考訳（メタデータ） (2024-10-28T14:49:18Z)
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)
Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文参考訳（メタデータ） (2023-03-21T22:55:51Z)
Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文参考訳（メタデータ） (2023-01-12T13:10:47Z)
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)
Exploring the trade off between human driving imitation and safety for traffic simulation [0.34410212782758043]
運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
論文参考訳（メタデータ） (2022-08-09T14:30:19Z)
Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文参考訳（メタデータ） (2022-06-28T17:08:31Z)
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)
Learning to Navigate Intersections with Unsupervised Driver Trait Inference [2.9048924265579124]
観測車両軌道から運転スタイルなどの運転特性を推定するための教師なし手法を提案する。我々は、リカレントニューラルネットワークを用いた変分オートエンコーダを用いて、基礎となる真理特性ラベルを使わずに、特性の潜在表現を学習する。当社のパイプラインは、異なる特徴を持つドライバーに安全と効率を確保するために、自動運転車が行動を調整することを可能にする。
論文参考訳（メタデータ） (2021-09-14T15:54:35Z)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
Improved YOLOv3 Object Classification in Intelligent Transportation System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文参考訳（メタデータ） (2020-04-08T11:45:13Z)

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。