論文の概要: An active approach towards monitoring and enhancing drivers' capabilities -- the ADAM cogtec solution

• arxiv url: http://arxiv.org/abs/2204.10853v1
• Date: Tue, 5 Apr 2022 07:46:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 16:25:31.571946
• Title: An active approach towards monitoring and enhancing drivers' capabilities -- the ADAM cogtec solution
• Title（参考訳）: ADAM Cogtecソリューションによるドライバーの能力監視と強化への積極的なアプローチ
• Authors: Moti Salti, Yair Beery and Erez Aluf
• Abstract要約: 特定の瞬間における運転者の認知能力は、運転者の安全性を評価する上で最も明白な変数である。 視覚刺激に対するドライバーの眼反応が記録された閉ループ法を開発した。 機械学習アルゴリズムは、警戒状態の眼反応に基づいて訓練され、疲労や物質乱用による能力低下を検出することができた。
• 参考スコア（独自算出の注目度）: 1.0312968200748118
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Driver's cognitive ability at a given moment is the most elusive variable in assessing driver's safety. In contrast to other physical conditions, such as short-sight, or manual disability cognitive ability is transient. Safety regulations attempt to reduce risk related to driver's cognitive ability by removing risk factors such as alcohol or drug consumption, forbidding secondary tasks such as texting, and urging drivers to take breaks when feeling tired. However, one cannot regulate all factors that affect driver's cognition, furthermore, the driver's momentary cognitive ability in most cases is covert even to driver. Here, we introduce an active approach aiming at monitoring a specific cognitive process that is affected by all these forementioned causes and directly affects the driver's performance in the driving task. We lean on the scientific approach that was framed by Karl Friston (Friston, 2010). We developed a closed loop-method in which driver's ocular responses to visual probing were recorded. Machine-learning-algorithms were trained on ocular responses of vigilant condition and were able to detect decrease in capability due fatigue and substance abuse. Our results show that we manage to correctly classify subjects with impaired and unimpaired cognitive process regardless of the cause of impairment (77% accuracy, 5% false alarms).
• Abstract（参考訳）: 特定の瞬間における運転者の認知能力は、運転者の安全性を評価する上で最も明白な変数である。 近視や手動障害認知能力などの他の物理的条件とは対照的に、過渡的である。 安全規制は、アルコールや薬物消費などの危険因子を除去し、テキストメッセージなどの二次的なタスクを禁止し、疲れを感じたときに休憩するようドライバーに促すことによって、運転者の認知能力に関連するリスクを減らそうとする。 しかし、運転者の認知に影響を与えるすべての要因を規制することはできない。さらに、ほとんどのケースにおいて、運転者の瞬間的認知能力は運転者にさえ隠されている。 本稿では、上記すべての原因に影響を受け、運転中の運転者のパフォーマンスに直接影響を及ぼす特定の認知過程のモニタリングを目的としたアクティブなアプローチを提案する。 我々はKarl Friston氏(Friston, 2010)による科学的アプローチに頼っている。 視覚刺激に対するドライバーの眼反応が記録された閉ループ法を開発した。 機械学習-アルゴリズムは自警状態の眼反応を訓練し、疲労や薬物乱用による能力低下を検出することができた。 以上の結果から,障害の原因(77%の精度,5%の誤報)に関わらず,障害のある認知過程を正しく分類できた。

関連論文リスト

• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction [0.0]
  MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。 MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。 我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
  論文  参考訳（メタデータ） (2024-02-20T23:20:36Z)
• In-vehicle Sensing and Data Analysis for Older Drivers with Mild Cognitive Impairment [0.8426358786287627]
  本研究の目的は、高精度の位置決めとテレマティクスデータを得ることができる低コストの車内センシングハードウェアを設計することである。 軽度認知障害(MCI)と軽度認知障害(MCI)を比較した統計的分析の結果,MCIはよりスムーズで安全な運転パターンを示すことが明らかとなった。 我々のランダムフォレストモデルでは、夜間旅行の数、旅行数、教育がデータ評価に最も影響を及ぼす要因として特定されました。
  論文  参考訳（メタデータ） (2023-11-15T15:47:24Z)
• Vision-based Analysis of Driver Activity and Driving Performance Under the Influence of Alcohol [1.2094859111770522]
  アメリカの交通事故死者の30%は飲酒運転をしている。 運転障害は、センサーのアクティブな使用によって監視することができる。 より受動的で堅牢なセンシング機構は、より広く採用することができる。
  論文  参考訳（メタデータ） (2023-09-14T20:34:30Z)
• Considering Human Factors in Risk Maps for Robust and Foresighted Driver Warning [1.4699455652461728]
  本稿では,ドライバーエラーの形で人間の状態を利用する警告システムを提案する。 このシステムは、周囲の運転状況の予測を直接変更する行動プランナーのリスクマップで構成されている。 動的車線変化と交差点シナリオの異なるシミュレーションでは、運転者の行動計画がいかに危険になるかを示す。
  論文  参考訳（メタデータ） (2023-06-06T16:39:58Z)
• In-Vehicle Interface Adaptation to Environment-Induced Cognitive Workload [55.41644538483948]
  車両内ヒューマンマシンインタフェース(HMI)は長年にわたって進化し、ますます多くの機能を提供している。 この問題に対処するために,ドライバの精神的負荷に応じて変化する適応的HMIを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:42:25Z)
• Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
  道路事故は世界8大死因である。 様々な要因がドライバーの疲労の原因となっている。 ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
  論文  参考訳（メタデータ） (2022-08-31T08:42:28Z)
• What's on your mind? A Mental and Perceptual Load Estimation Framework towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
  精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。 これらの測定値の融合により、心的および知覚的負荷レベルを分類する。 我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
  論文  参考訳（メタデータ） (2022-08-10T21:19:49Z)
• Drivers' attention detection: a systematic literature review [62.997667081978825]
  多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。 技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。 本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
  論文  参考訳（メタデータ） (2022-04-06T11:36:40Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Heatmap-Based Method for Estimating Drivers' Cognitive Distraction [0.0]
  本研究では,認知過程がドライバの視線行動に与える影響について検討した。 認知的注意散らしを推定するために,ドライバの視線分散の新たなイメージベース表現を提案する。
  論文  参考訳（メタデータ） (2020-05-28T16:37:30Z)

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。