論文の概要: Driving Safety Prediction and Safe Route Mapping Using In-vehicle and
Roadside Data
- arxiv url: http://arxiv.org/abs/2209.05604v1
- Date: Mon, 12 Sep 2022 20:39:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 13:15:47.917625
- Title: Driving Safety Prediction and Safe Route Mapping Using In-vehicle and
Roadside Data
- Title(参考訳): 車内・道路データを用いた運転安全予測と安全経路マッピング
- Authors: Yufei Huang, Mohsen Jafari, and Peter Jin
- Abstract要約: セーフルートマッピング(SRM)モデルは、予測を行う際のドライバの動作を検討するために拡張される。
Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。
ダイナミックな交通情報は 道端のカメラで捕捉され 同じサーバーにアップロードされる
LightGBMモデルは、次の1、2秒でドライバーの競合指標を予測するために導入された。
- 参考スコア(独自算出の注目度): 3.8103848718367597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Risk assessment of roadways is commonly practiced based on historical crash
data. Information on driver behaviors and real-time traffic situations is
sometimes missing. In this paper, the Safe Route Mapping (SRM) model, a
methodology for developing dynamic risk heat maps of roadways, is extended to
consider driver behaviors when making predictions. An Android App is designed
to gather drivers' information and upload it to a server. On the server, facial
recognition extracts drivers' data, such as facial landmarks, gaze directions,
and emotions. The driver's drowsiness and distraction are detected, and driving
performance is evaluated. Meanwhile, dynamic traffic information is captured by
a roadside camera and uploaded to the same server. A
longitudinal-scanline-based arterial traffic video analytics is applied to
recognize vehicles from the video to build speed and trajectory profiles. Based
on these data, a LightGBM model is introduced to predict conflict indices for
drivers in the next one or two seconds. Then, multiple data sources, including
historical crash counts and predicted traffic conflict indicators, are combined
using a Fuzzy logic model to calculate risk scores for road segments. The
proposed SRM model is illustrated using data collected from an actual traffic
intersection and a driving simulation platform. The prediction results show
that the model is accurate, and the added driver behavior features will improve
the model's performance. Finally, risk heat maps are generated for
visualization purposes. The authorities can use the dynamic heat map to
designate safe corridors and dispatch law enforcement and drivers for early
warning and trip planning.
- Abstract(参考訳): 道路のリスクアセスメントは、過去の事故データに基づいて一般的に行われている。
ドライバーの行動やリアルタイム交通状況に関する情報が欠落することもある。
本稿では,道路の動的リスクヒートマップを作成するための手法であるsafe route mapping(srm)モデルを拡張し,予測を行う際の運転者の行動を考察する。
Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。
サーバ上では、顔認識がドライバーのデータ、例えば顔のランドマーク、視線方向、感情を抽出する。
運転者の眠気や気遣いを検出し、運転性能を評価する。
一方、ダイナミックなトラフィック情報は、ロードサイドカメラによってキャプチャされ、同じサーバにアップロードされる。
ビデオから車両を認識して速度と軌道プロファイルを構築するために,縦走査型動脈交通ビデオ解析を適用した。
これらのデータに基づいて、ライトgbmモデルを導入し、次の1、2秒でドライバーの競合指標を予測する。
次に、ファジィ論理モデルを用いて、過去のクラッシュ数や予測トラフィック競合指標を含む複数のデータソースを組み合わせて、道路セグメントのリスクスコアを算出する。
提案するsrmモデルは,実交通交差点と運転シミュレーションプラットフォームから収集したデータを用いて示す。
予測結果から,モデル精度が向上し,ドライバ動作機能の追加により,モデルの性能が向上することが示唆された。
最後に、可視化のためにリスクヒートマップが生成される。
当局は、ダイナミックヒートマップを使用して安全な回廊を指定でき、早期警戒と旅行計画のために法執行機関とドライバーを派遣することができる。
関連論文リスト
- Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2024-08-15T00:51:48Z) - 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳(メタデータ) (2023-04-03T17:37:00Z) - 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) - 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) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - Vehicle trajectory prediction in top-view image sequences based on deep
learning method [1.181206257787103]
周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。
道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。
提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
論文 参考訳(メタデータ) (2021-02-02T20:48:19Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳(メタデータ) (2020-08-09T09:26:30Z) - Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal
Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。
現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。
本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文 参考訳(メタデータ) (2020-08-01T20:21:48Z) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳(メタデータ) (2020-06-20T11:56:32Z) - Urban Traffic Monitoring and Modeling System: An IoT Solution for
Enhancing Road Safety [0.0]
カタールは2022年のワールドカップで100万人以上の訪問者が訪れると予想している。
交通渋滞や交通事故、自動車事故、負傷者、死亡者の増加が予想される。
ナチュラティスティックドライバの挙動を利用して、データを収集して分析し、現在のカタール交通システムを見積もる。
論文 参考訳(メタデータ) (2020-03-05T23:57:47Z)
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。