論文の概要: Passive and Active Learning of Driver Behavior from Electric Vehicles
- arxiv url: http://arxiv.org/abs/2203.02179v1
- Date: Fri, 4 Mar 2022 08:18:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-07 15:51:35.470968
- Title: Passive and Active Learning of Driver Behavior from Electric Vehicles
- Title(参考訳): 電気自動車からの運転行動の受動的・能動的学習
- Authors: Federica Comuni, Christopher M\'esz\'aros, Niklas {\AA}kerblom,
Morteza Haghir Chehreghani
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.6704226968275258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling driver behavior provides several advantages in the automotive
industry, including prediction of electric vehicle energy consumption. Studies
have shown that aggressive driving can consume up to 30% more energy than
moderate driving, in certain driving scenarios. Machine learning methods are
widely used for driver behavior classification, which, however, may yield some
challenges such as sequence modeling on long time windows and lack of labeled
data due to expensive annotation. To address the first challenge, passive
learning of driver behavior, we investigate non-recurrent architectures such as
self-attention models and convolutional neural networks with joint recurrence
plots (JRP), and compare them with recurrent models. We find that
self-attention models yield good performance, while JRP does not exhibit any
significant improvement. However, with the window lengths of 5 and 10 seconds
used in our study, none of the non-recurrent models outperform the recurrent
models. To address the second challenge, we investigate several active learning
methods with different informativeness measures. We evaluate uncertainty
sampling, as well as more advanced methods, such as query by committee and
active deep dropout. Our experiments demonstrate that some active sampling
techniques can outperform random sampling, and therefore decrease the effort
needed for annotation.
- Abstract(参考訳): モデリングドライバの振る舞いは、電気自動車のエネルギー消費量の予測など、自動車業界でいくつかの利点をもたらします。
研究によると、特定の運転シナリオにおいて、攻撃的な運転は適度な運転よりも最大30%エネルギーを消費することができる。
機械学習手法はドライバの動作分類に広く使われているが、長い時間ウィンドウで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など、いくつかの課題がある。
ドライバ行動のパッシブ学習という第1の課題に対処するために,自己着立モデルや畳み込みニューラルネットワークなどの非リカレントアーキテクチャとジョイントリカレントプロット(jrp)を比較し,リカレントモデルと比較する。
自己注意モデルでは良好な性能が得られたが,JRPでは大きな改善はない。
しかし,本研究で使用した窓長5~10秒では,非リカレントモデルがリカレントモデルを上回ることはない。
第2の課題に対処するために,様々な情報量尺度を用いたアクティブラーニング手法について検討する。
我々は,不確実なサンプリングや,委員会によるクエリやアクティブな深層投棄など,より高度な手法を評価する。
実験では,いくつかのアクティブサンプリング手法がランダムサンプリングよりも優れており,アノテーションに必要な労力を削減できることを示した。
関連論文リスト
- 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) - Trajeglish: Learning the Language of Driving Scenarios [75.61820235290608]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳(メタデータ) (2023-12-07T18:53:27Z) - An active inference model of car following: Advantages and applications [6.905724739762358]
ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。
データ駆動機械学習モデルは、ルールベースのモデルよりも能力が高いが、大規模なトレーニングデータセットの必要性と、解釈可能性の欠如によって制限されている。
本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
論文 参考訳(メタデータ) (2023-03-27T13:39:26Z) - Visual Exemplar Driven Task-Prompting for Unified Perception in
Autonomous Driving [100.3848723827869]
本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。
具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。
我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
論文 参考訳(メタデータ) (2023-03-03T08:54:06Z) - Controlling Steering with Energy-Based Models [1.1602089225841632]
エネルギーモデルによる暗黙の行動クローニングは、ロボット操作タスクにおいて有望な結果を示している。
エンド・ツー・エンドの運転モデルを用いて、実際の自動運転車のステアリングを制御する上で、この手法の利点が持続するかどうかを検証した。
我々は、ステアリングのみの道路追従タスクには、エネルギーベースのモデルから恩恵を受けるためのマルチモーダルが多すぎると論じている。
論文 参考訳(メタデータ) (2023-01-28T18:27:09Z) - 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) - 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) - Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。
本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
論文 参考訳(メタデータ) (2021-07-01T20:18:03Z) - Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。
世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。
提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文 参考訳(メタデータ) (2021-05-03T05:55:30Z) - Action-Based Representation Learning for Autonomous Driving [8.296684637620551]
本稿では,行動に基づく運転データを学習表現に用いることを提案する。
提案手法を用いて事前学習した空き時間に基づく運転モデルでは,比較的少量の弱注釈画像が有効であることを示す。
論文 参考訳(メタデータ) (2020-08-21T10:49:13Z)
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。
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。