論文の概要: Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification
- arxiv url: http://arxiv.org/abs/2211.06463v1
- Date: Thu, 10 Nov 2022 03:38:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 17:58:46.417404
- Title: Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification
- Title（参考訳）: 時系列セグメンテーションと分類を用いたドライバ操作検出と解析
- Authors: Armstrong Aboah, Yaw Adu-Gyamfi, Senem Velipasalar Gursoy, Jennifer
Merickel, Matt Rizzo, Anuj Sharma
- Abstract要約: 本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。
本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
- 参考スコア（独自算出の注目度）: 7.413735713939367
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The current paper implements a methodology for automatically detecting
vehicle maneuvers from vehicle telemetry data under naturalistic driving
settings. Previous approaches have treated vehicle maneuver detection as a
classification problem, although both time series segmentation and
classification are required since input telemetry data is continuous. Our
objective is to develop an end-to-end pipeline for frame-by-frame annotation of
naturalistic driving studies videos into various driving events including stop
and lane keeping events, lane changes, left-right turning movements, and
horizontal curve maneuvers. To address the time series segmentation problem,
the study developed an Energy Maximization Algorithm (EMA) capable of
extracting driving events of varying durations and frequencies from continuous
signal data. To reduce overfitting and false alarm rates, heuristic algorithms
were used to classify events with highly variable patterns such as stops and
lane-keeping. To classify segmented driving events, four machine learning
models were implemented, and their accuracy and transferability were assessed
over multiple data sources. The duration of events extracted by EMA were
comparable to actual events, with accuracies ranging from 59.30% (left lane
change) to 85.60% (lane-keeping). Additionally, the overall accuracy of the
1D-convolutional neural network model was 98.99%, followed by the
Long-short-term-memory model at 97.75%, then random forest model at 97.71%, and
the support vector machine model at 97.65%. These model accuracies where
consistent across different data sources. The study concludes that implementing
a segmentation-classification pipeline significantly improves both the accuracy
for driver maneuver detection and transferability of shallow and deep ML models
across diverse datasets.
- Abstract（参考訳）: 本報告では,車載遠隔測定データから車両の操作を自動的に検出する手法を実装している。
従来,車両操縦検出を分類問題として扱ってきたが,入力テレメトリデータが連続しているため,時系列分割と分類の両方が必要である。
本研究の目的は, 停止・車線維持イベント, 車線変更, 左旋回運動, 水平曲線操作など, 自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのエンドツーエンドパイプラインを開発することである。
時系列セグメンテーション問題に対処するために,連続信号データから持続時間と周波数の異なる駆動イベントを抽出できるエネルギ最大化アルゴリズム(ema)を開発した。
過度な適合率と誤報率を減らすため、ヒューリスティックアルゴリズムは停止や車線維持といった高度に変動するパターンのイベントを分類するために用いられた。
セグメンテーション駆動イベントを分類するために、4つの機械学習モデルが実装され、その精度と転送性が複数のデータソースで評価された。
EMAが抽出した事象の期間は、59.30%(左レーン変更)から85.60%(レーン維持)まで、実際の出来事と同等であった。
さらに、1D畳み込みニューラルネットワークモデルの全体的な精度は98.99%、ロングショート長期メモリモデル97.75%、ランダムフォレストモデル97.71%、サポートベクターマシンモデル97.65%であった。
これらのモデルは、異なるデータソース間で一貫性を持つ。
セグメンテーション分類パイプラインの実装は、ドライバ操作検出の精度と、さまざまなデータセットにわたる浅層および深部MLモデルの転送可能性の両方を著しく改善する。
関連論文リスト
- DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。
本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。
このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
論文 参考訳（メタデータ） (2024-11-13T04:49:32Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer
for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。
我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。
設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-22T07:36:22Z) - 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 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) - Automatic extraction of similar traffic scenes from large naturalistic
datasets using the Hausdorff distance [0.0]
集合の数学的距離計量であるハウスドルフ距離を用いる4段階抽出法を提案する。
この方法により、コストと時間を要する運転シミュレーション実験を必要とせず、操作的および戦術的人間の行動の変動について検討することができる。
論文 参考訳（メタデータ） (2022-06-17T06:59:51Z) - Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms [0.0]
異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
論文 参考訳（メタデータ） (2022-04-20T22:55:59Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - 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) - 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。