論文の概要: Discovering and Explaining Driver Behaviour under HoS Regulations
- arxiv url: http://arxiv.org/abs/2301.05082v1
- Date: Thu, 12 Jan 2023 15:30:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 14:18:17.789827
- Title: Discovering and Explaining Driver Behaviour under HoS Regulations
- Title（参考訳）: hos規制下での運転行動の発見と説明
- Authors: Ignacio Vellido, Juan Fdez-Olivares, Ra\'ul P\'erez
- Abstract要約: 本稿では,サービス規制に従って,生ドライバのアクティビティログを要約するアプリケーションを提案する。
このシステムは、計画、制約、クラスタリング技術を使って、ドライバーが何をしているかを抽出し、記述する。
実世界のデータでの実験では、繰り返し発生する運転パターンが、短い基本運転シーケンスから全運転日程までクラスタ化可能であることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World wide transport authorities are imposing complex Hours of Service
regulations to drivers, which constraint the amount of working, driving and
resting time when delivering a service. As a consequence, transport companies
are responsible not only of scheduling driving plans aligned with laws that
define the legal behaviour of a driver, but also of monitoring and identifying
as soon as possible problematic patterns that can incur in costs due to
sanctions. Transport experts are frequently in charge of many drivers and lack
time to analyse the vast amount of data recorded by the onboard sensors, and
companies have grown accustomed to pay sanctions rather than predict and
forestall wrongdoings. This paper exposes an application for summarising raw
driver activity logs according to these regulations and for explaining driver
behaviour in a human readable format. The system employs planning, constraint,
and clustering techniques to extract and describe what the driver has been
doing while identifying infractions and the activities that originate them.
Furthermore, it groups drivers based on similar driving patterns. An
experimentation in real world data indicates that recurring driving patterns
can be clustered from short basic driving sequences to whole drivers working
days.
- Abstract（参考訳）: 世界規模の交通機関は、サービス提供時の作業量、運転時間、休息時間を制限しているドライバーに、複雑なサービス時間規制を課している。
結果として、輸送会社は、運転者の法的行動を定義する法律に沿った運転計画のスケジューリングだけでなく、制裁によってコストを被る可能性のある問題パターンをできるだけ早く監視し特定する責任を負う。
運輸の専門家は、多くのドライバーの責任を負うことが多く、センサーが記録した膨大なデータを分析する時間がない。
本稿では、これらの規則に従って生のドライバアクティビティログを要約し、人間の可読形式でドライバの振る舞いを説明するアプリケーションを公開する。
このシステムは、計画、制約、クラスタリング技術を用いて、ドライバーが何をしているかを抽出し、記述し、違反とそれの原因となる活動を特定する。
さらに、同様の運転パターンに基づいてドライバをグループ化する。
実世界のデータでの実験では、繰り返し発生する運転パターンが、短い基本運転シーケンスから全運転日程までクラスタ化可能であることが示されている。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Cooperative Advisory Residual Policies for Congestion Mitigation [11.33450610735004]
我々は協調的な諮問システムに利用できる学習済みの残留政策のクラスを開発する。
当社のポリシーは、多様なドライバーの振る舞いを考慮に入れながら、交通渋滞を軽減する方法でドライバーに振る舞うことを推奨している。
我々のアプローチは、異なるドライバーの行動に適応しながら、渋滞を軽減することに成功しました。
論文 参考訳（メタデータ） (2024-06-30T01:10:13Z) - 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) - 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) - PeRP: Personalized Residual Policies For Congestion Mitigation Through
Co-operative Advisory Systems [12.010221998198423]
Piecewise Constant (PC) Policiesは、交通渋滞を軽減するために、人間の運転の類似性を構造的にモデル化することで問題に対処する。
我々はPersonalized Residual Policy, PeRPを用いたPCポリシに基づく協調アドバイザリシステムの開発を行った。
提案手法は,運転者の行動に適応しながら,渋滞を軽減し,ベースラインよりも平均速度が4～22%向上したことを示す。
論文 参考訳（メタデータ） (2023-08-01T22:25:40Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - 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) - Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
道路事故は世界8大死因である。
様々な要因がドライバーの疲労の原因となっている。
ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
論文 参考訳（メタデータ） (2022-08-31T08:42:28Z) - DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。
車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。
その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
論文 参考訳（メタデータ） (2020-12-31T04:24:46Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - TripMD: Driving patterns investigation via Motif Analysis [3.42658286826597]
TripMDは、センサ記録から最も関連性の高い駆動パターンを抽出するシステムである。
本システムでは,1人の運転者から多数の運転パターンを抽出できることを示す。
論文 参考訳（メタデータ） (2020-07-07T18:34:31Z)
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。