論文の概要: Passive and Active Learning of Driver Behavior from Electric Vehicles

• arxiv url: http://arxiv.org/abs/2203.02179v2
• Date: Thu, 23 May 2024 10:39:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-26 22:01:37.509701
• 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 Mészáros, Niklas Åkerblom, 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）: 2.9623902973073375
• 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）: 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。 研究では、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%のエネルギーを消費することができることが示されている。 しかし、機械学習手法はドライバーの行動分類に広く用いられているため、長時間のウィンドウ上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、いくつかの課題が生じる可能性がある。 運転者の振る舞いを受動的に学習する第一の課題に対処するために、自己注意モデルや共用反復プロット(JRP)を用いた畳み込みニューラルネットワークなどの非反復的アーキテクチャを調査し、それらを反復的モデルと比較する。 自己注意モデルでは良好な性能が得られたが,JRPでは大きな改善は得られなかった。 しかし,本研究で使用したウィンドウ長は5秒から10秒であり,再帰的でないモデルでは再帰的モデルよりも優れていなかった。 第2の課題に対処するために,異なる情報度尺度を用いたいくつかの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。 実験の結果,いくつかのアクティブサンプリング手法は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がわかった。

関連論文リスト

• Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
  自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。 従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。 本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-17T06:32:52Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• 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)
• 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)
• 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。