論文の概要: An Open Case-based Reasoning Framework for Personalized On-board Driving Assistance in Risk Scenarios

• arxiv url: http://arxiv.org/abs/2211.12798v1
• Date: Wed, 23 Nov 2022 09:28:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 16:07:24.193176
• Title: An Open Case-based Reasoning Framework for Personalized On-board Driving Assistance in Risk Scenarios
• Title（参考訳）: リスクシナリオにおける個人化オンボード運転支援のためのオープンケースベース推論フレームワーク
• Authors: Wenbin Gan, Minh-Son Dao, Koji Zettsu
• Abstract要約: 個人化された車載運転支援を実現するためのオープンなフレームワークを提案する。 その後、既存の事例を検索、再利用、修正し、支援を生成するためのCBRベースの調整手法が提案される。 100-Car Naturalistic Driving Studyデータセットをフレームワークの構築とテストの例として用います。
• 参考スコア（独自算出の注目度）: 0.46408356903366527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver reaction is of vital importance in risk scenarios. Drivers can take correct evasive maneuver at proper cushion time to avoid the potential traffic crashes, but this reaction process is highly experience-dependent and requires various levels of driving skills. To improve driving safety and avoid the traffic accidents, it is necessary to provide all road drivers with on-board driving assistance. This study explores the plausibility of case-based reasoning (CBR) as the inference paradigm underlying the choice of personalized crash evasive maneuvers and the cushion time, by leveraging the wealthy of human driving experience from the steady stream of traffic cases, which have been rarely explored in previous studies. To this end, in this paper, we propose an open evolving framework for generating personalized on-board driving assistance. In particular, we present the FFMTE model with high performance to model the traffic events and build the case database; A tailored CBR-based method is then proposed to retrieve, reuse and revise the existing cases to generate the assistance. We take the 100-Car Naturalistic Driving Study dataset as an example to build and test our framework; the experiments show reasonable results, providing the drivers with valuable evasive information to avoid the potential crashes in different scenarios.
• Abstract（参考訳）: ドライバーの反応はリスクシナリオにおいて極めて重要である。 ドライバーは適切なクッションタイムで正確な回避操作をすることができるが、この反応プロセスは経験に依存しており、様々なレベルの運転スキルを必要とする。 運転安全性の向上と交通事故の回避には、すべての道路運転手に車載運転支援を提供する必要がある。 本研究は, 交通事例の定常的流れから人間運転経験の富を生かし, 衝突回避行動の選択とクッション時間に基づく推論のパラダイムとして, ケースベース推論(CBR)の妥当性を検討するものである。 そこで本稿では,パーソナライズされた車載運転支援を実現するためのオープンなフレームワークを提案する。 特に,交通イベントをモデル化し,ケースデータベースを構築するための高性能なFFMTEモデルを提案する。 実験は合理的な結果を示し、異なるシナリオにおける潜在的なクラッシュを避けるために、ドライバーに貴重な回避情報を提供します。

関連論文リスト

• 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)
• A novel framework for adaptive stress testing of autonomous vehicles in highways [3.2112502548606825]
  高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。 衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。 提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
  論文  参考訳（メタデータ） (2024-02-19T04:02:40Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• 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)
• A Probabilistic Framework for Estimating the Risk of Pedestrian-Vehicle Conflicts at Intersections [5.8366275205801985]
  本研究では,交差点における歩行者と車両の衝突リスクを推定するための確率的枠組みを提案する。 提案フレームワークは,ガウスプロセス回帰を用いた軌道予測により,一定速度の制約を緩和する。 交差点で収集した実世界のLiDARデータを用いて,提案フレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2022-07-28T15:08:41Z)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• 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)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• 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)

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。