Fugu-MT 論文翻訳(概要): Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles

論文の概要: Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles

arxiv url: http://arxiv.org/abs/2209.10536v1
Date: Wed, 21 Sep 2022 17:56:21 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 17:37:06.377045
Title: Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles
Title（参考訳）: SAE L2車両における入出力による適応運転スタイルの予測
Authors: Zhaobo K. Zheng, Kumar Akash, Teruhisa Misu, Vidya Krishmoorthy, Miaomiao Dong, Yuni Lee, Gaojian Huang
Abstract要約: 本研究は,マルチモーダル信号を用いたユーザ運転スタイルの嗜好の同定を提案する。被験者36名を対象に運転シミュレータ実験を行い, 行動, 生理, 状況データを含む広範囲なマルチモーダルデータを収集した。そこで我々は、好みの運転スタイルを識別するための機械学習モデルを構築し、ユーザの好みを特定する上で、すべてのモダリティが重要であることを確認した。
参考スコア（独自算出の注目度）: 1.497563464566495
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A key factor to optimal acceptance and comfort of automated vehicle features is the driving style. Mismatches between the automated and the driver preferred driving styles can make users take over more frequently or even disable the automation features. This work proposes identification of user driving style preference with multimodal signals, so the vehicle could match user preference in a continuous and automatic way. We conducted a driving simulator study with 36 participants and collected extensive multimodal data including behavioral, physiological, and situational data. This includes eye gaze, steering grip force, driving maneuvers, brake and throttle pedal inputs as well as foot distance from pedals, pupil diameter, galvanic skin response, heart rate, and situational drive context. Then, we built machine learning models to identify preferred driving styles, and confirmed that all modalities are important for the identification of user preference. This work paves the road for implicit adaptive driving styles on automated vehicles.
Abstract（参考訳）: 自動走行車の機能を最適に受け入れ、快適にするための重要な要素は、運転スタイルである。自動と運転者の好みの運転スタイルのミスマッチにより、ユーザーはより頻繁に乗っ取り、自動化機能を無効にすることができる。本研究は,マルチモーダル信号を用いたユーザの運転スタイル選択の同定を提案するものである。被験者36名を対象に運転シミュレータ実験を行い,行動,生理,状況などの多モーダルデータを収集した。これには、視線、ステアリンググリップ力、運転操作、ブレーキとスロットルペダル入力、ペダルからの足の距離、瞳孔径、ガルバニック皮膚反応、心拍数、状況変化などが含まれる。そして、好みの運転スタイルを特定するために機械学習モデルを構築し、すべてのモダリティがユーザの好みを特定する上で重要であることを確認した。この作業は、自動運転車の暗黙の適応型運転スタイルへの道を開くものだ。

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)
Looking for a better fit? An Incremental Learning Multimodal Object Referencing Framework adapting to Individual Drivers [0.0]
自動車産業の急速な進歩により、タッチベースや音声コマンドシステムといった従来の車両のインタラクション方法は、車両外の物体を参照するなど、幅広い非運転関連のタスクには不十分である。 textitIcRegressは、オブジェクトの駆動と参照という2つのタスクに携わるドライバーの振る舞いや特徴に適応する、新しい回帰に基づく漸進的学習手法である。
論文参考訳（メタデータ） (2024-01-29T12:48:56Z)
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文参考訳（メタデータ） (2024-01-08T03:06:02Z)
FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文参考訳（メタデータ） (2023-04-19T17:33:47Z)
Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文参考訳（メタデータ） (2022-07-05T16:33:20Z)
Personalized Lane Change Decision Algorithm Using Deep Reinforcement Learning Approach [4.681908782544996]
ドライビング・イン・ザ・ループ実験は6自由度運転シミュレータ上で実施される。車線変更判定において、運転者の好みを記述するためにパーソナライズ指標が選択される。深部強化学習(RL)アプローチは、車線変更自動決定のための人間のようなエージェントの設計に適用される。
論文参考訳（メタデータ） (2021-12-17T10:16:43Z)
Online Adaptation of Parameters using GRU-based Neural Network with BO for Accurate Driving Model [0.8433000039153409]
運転モデル(DM)のキャリブレーションは、シミュレーションされた運転動作を人間の運転行動に近づける。従来のDM校正法は、運転中にDMのパラメータが異なることを考慮しない。実車追従動作をより正確に再現するために,人間の運転スタイルを測定するDM校正手法を提案する。
論文参考訳（メタデータ） (2021-09-24T03:07:12Z)
Learning Personalized Discretionary Lane-Change Initiation for Fully Autonomous Driving Based on Reinforcement Learning [11.54360350026252]
著者らは,完全自律走行車に対する選択車線変更開始の個別的戦術を学習する新しい方法を提案する。交通状況や自動運転車の動作,車内ユーザのフィードバックから車線変更の開始方法を学ぶために,強化学習技術が使用されている。
論文参考訳（メタデータ） (2020-10-29T06:21:23Z)
Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文参考訳（メタデータ） (2020-07-10T22:25:27Z)
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)
Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。 iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
論文参考訳（メタデータ） (2020-06-16T00:45:08Z)

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。