論文の概要: A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification
- arxiv url: http://arxiv.org/abs/2202.01893v1
- Date: Tue, 1 Feb 2022 10:12:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-02-13 23:54:27.355980
- Title: A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification
- Title（参考訳）: 運転行動分類のためのスマートフォンを用いた機械学習センシング
- Authors: Sarra Ben Brahim, Hakim Ghazzai, Hichem Besbes, Yehia Massoud
- Abstract要約: 我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。
第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
- 参考スコア（独自算出の注目度）: 1.552282932199974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driver behavior profiling is one of the main issues in the insurance
industries and fleet management, thus being able to classify the driver
behavior with low-cost mobile applications remains in the spotlight of
autonomous driving. However, using mobile sensors may face the challenge of
security, privacy, and trust issues. To overcome those challenges, we propose
to collect data sensors using Carla Simulator available in smartphones
(Accelerometer, Gyroscope, GPS) in order to classify the driver behavior using
speed, acceleration, direction, the 3-axis rotation angles (Yaw, Pitch, Roll)
taking into account the speed limit of the current road and weather conditions
to better identify the risky behavior. Secondly, after fusing inter-axial data
from multiple sensors into a single file, we explore different machine learning
algorithms for time series classification to evaluate which algorithm results
in the highest performance.
- Abstract（参考訳）: ドライバーの行動プロファイリングは、保険業界やフリートマネジメントの主要な問題の一つであり、低コストのモバイルアプリケーションでドライバーの行動を分類できることは、自動運転のスポットライトのままである。
しかし、モバイルセンサーを使うことは、セキュリティ、プライバシー、信頼の問題に直面する可能性がある。
これらの課題を克服するために,スマートフォン(加速度計,ジャイロスコープ,GPS)で利用可能なCarla Simulatorを用いて,現在の道路および気象条件の速度制限を考慮した速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の行動の分類を行うことを提案する。
第2に,複数のセンサから軸間データを1つのファイルに融合した後,時系列分類のための異なる機械学習アルゴリズムを探索し,最もパフォーマンスの高いアルゴリズムを評価する。
関連論文リスト
- G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - 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) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - 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) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Smartphone-based Hard-braking Event Detection at Scale for Road Safety
Services [6.451490979743455]
道路事故は世界第6位の障害調整生命年(DALY)の原因となっている。
本稿では,スマートフォンセンサから収集したキネマティクスデータを用いて,ハードブレーキイベントを検出するスケーラブルなアプローチを提案する。
われわれはTransformerをベースとした機械学習モデルをトレーニングし、Google Mapsでナビゲートしながらスマートフォンや車両のセンサーから、スマートフォンと車両のセンサーを同時に読み取ることで、ハードブレーキイベントの検出を可能にした。
論文 参考訳（メタデータ） (2022-02-04T01:30:32Z) - Deep Learning Approach for Aggressive Driving Behaviour Detection [1.933681537640272]
この研究は、異なる状況(ラッシュ、精神的衝突、報復)のドライバーが攻撃的に運転し始めるときのタイムステップを特定する。
積極的運転の機会を発見するためには、運転行動を調べるために観察者(現実または仮想)が必要である。
スマートフォンのGPSセンサーを使って位置を検出し,運転者の運転行動を3分毎に分類することで,この問題を克服する。
論文 参考訳（メタデータ） (2021-11-08T20:06:16Z) - Markov Switching Model for Driver Behavior Prediction: Use cases on
Smartphones [4.576379639081977]
スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。
提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
論文 参考訳（メタデータ） (2021-08-29T09:54:05Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。
iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。
世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
論文 参考訳（メタデータ） (2020-06-16T00:45:08Z)
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。