論文の概要: Unsupervised Driving Behavior Analysis using Representation Learning and Exploiting Group-based Training

• arxiv url: http://arxiv.org/abs/2205.07870v1
• Date: Thu, 12 May 2022 10:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 10:56:53.272103
• Title: Unsupervised Driving Behavior Analysis using Representation Learning and Exploiting Group-based Training
• Title（参考訳）: 表現学習と爆発訓練を用いた教師なし運転行動分析
• Authors: Soma Bandyopadhyay, Anish Datta, Shruti Sachan, Arpan Pal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.355045011160804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving behavior monitoring plays a crucial role in managing road safety and decreasing the risk of traffic accidents. Driving behavior is affected by multiple factors like vehicle characteristics, types of roads, traffic, but, most importantly, the pattern of driving of individuals. Current work performs a robust driving pattern analysis by capturing variations in driving patterns. It forms consistent groups by learning compressed representation of time series (Auto Encoded Compact Sequence) using a multi-layer seq-2-seq autoencoder and exploiting hierarchical clustering along with recommending the choice of best distance measure. Consistent groups aid in identifying variations in driving patterns of individuals captured in the dataset. These groups are generated for both train and hidden test data. The consistent groups formed using train data, are exploited for training multiple instances of the classifier. Obtained choice of best distance measure is used to select the best train-test pair of consistent groups. We have experimented on the publicly available UAH-DriveSet dataset considering the signals captured from IMU sensors (accelerometer and gyroscope) for classifying driving behavior. We observe proposed method, significantly outperforms the benchmark performance.
• Abstract（参考訳）: 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。 運転行動は、車両特性、道路の種類、交通量といった複数の要因に影響されるが、最も重要なのは、個人の運転パターンである。 現在の作業は、駆動パターンのバリエーションを捉えてロバストな駆動パターン分析を行う。 多層Seq-2-seqオートエンコーダを用いて時系列の圧縮表現(Auto Encoded Compact Sequence)を学習し、階層的クラスタリングとベスト距離尺度の選択を推奨することで一貫したグループを形成する。 一貫性のあるグループは、データセットでキャプチャされた個人の駆動パターンのバリエーションを特定するのに役立つ。 これらのグループは、列車データと隠れテストデータの両方に対して生成される。 列車データを用いて形成された一貫したグループは、分類器の複数のインスタンスを訓練するために利用される。 最良の距離尺度の選択は、一貫したグループのベストトレインテストペアを選択するために使用される。 我々は,IMUセンサ(加速度計,ジャイロスコープ)から取得した信号を用いて,運転行動の分類を行うUAH-DriveSetデータセットの実験を行った。 提案手法はベンチマーク性能を大幅に向上させる。

関連論文リスト

• 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)
• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• 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)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• 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)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• 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)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。