論文の概要: Safe Control Transitions: Machine Vision Based Observable Readiness Index and Data-Driven Takeover Time Prediction

• arxiv url: http://arxiv.org/abs/2301.05805v1
• Date: Sat, 14 Jan 2023 01:53:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 18:53:20.215647
• Title: Safe Control Transitions: Machine Vision Based Observable Readiness Index and Data-Driven Takeover Time Prediction
• Title（参考訳）: 安全な制御遷移:マシンビジョンに基づく可観測性指数とデータ駆動テイクオーバー時間予測
• Authors: Ross Greer, Nachiket Deo, Akshay Rangesh, Pujitha Gunaratne, Mohan Trivedi
• Abstract要約: 2つのメトリクスを予測する機械学習モデルは、複数のカメラビューに対して堅牢であることを示す。 また、テイクオーバイベント後の制御遷移の質を評価するための2つの指標も導入する。
• 参考スコア（独自算出の注目度）: 2.799896314754614
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To make safe transitions from autonomous to manual control, a vehicle must have a representation of the awareness of driver state; two metrics which quantify this state are the Observable Readiness Index and Takeover Time. In this work, we show that machine learning models which predict these two metrics are robust to multiple camera views, expanding from the limited view angles in prior research. Importantly, these models take as input feature vectors corresponding to hand location and activity as well as gaze location, and we explore the tradeoffs of different views in generating these feature vectors. Further, we introduce two metrics to evaluate the quality of control transitions following the takeover event (the maximal lateral deviation and velocity deviation) and compute correlations of these post-takeover metrics to the pre-takeover predictive metrics.
• Abstract（参考訳）: 自律運転から手動運転への安全な移行を行うには、車両は運転状態の認識を表現する必要があり、この状態を定量化する2つの指標は、可観測性準備指数と乗っ取り時間である。 本研究では,これら2つの指標を予測した機械学習モデルが,複数のカメラビューに対して頑健であることを示す。 重要なことは、これらのモデルは手動の位置と活動に対応する入力特徴ベクトルとして、また視線位置を捉え、これらの特徴ベクトルを生成する際の異なるビューのトレードオフを探ることである。 さらに、テイクオーバイベント後の制御遷移の質を評価するための2つの指標(最大側方偏差と速度偏差)と、これらのポストテイクオーバメトリクスとプリテイクオーバ予測指標との相関を計算する。

関連論文リスト

• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• 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)
• Smooth-Trajectron++: Augmenting the Trajectron++ behaviour prediction model with smooth attention [0.0]
  本研究では,注目モジュールにスムーズな項を組み込んだトラジェクトリ予測モデルであるTrjectron++について検討する。 この注意機構は、注意切り替えの限界を示す認知科学の研究にインスパイアされた人間の注意を模倣する。 得られたSmooth-Trajectron++モデルの性能を評価し、様々なベンチマークで元のモデルと比較する。
  論文  参考訳（メタデータ） (2023-05-31T09:19:55Z)
• Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
  シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。 提案したモデルをCityscapesとAIODriveデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-04-14T17:59:32Z)
• Estimating Uncertainty For Vehicle Motion Prediction on Yandex Shifts Dataset [0.0]
  この研究は、分布シフトに頑健で、予測の不確実性を測定することのできるモデルの開発に焦点を当てている。 この作業では、ベンチマークを著しく改善し、リーダーボードで2位になったアプローチを提示します。
  論文  参考訳（メタデータ） (2021-12-15T18:58:55Z)
• Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
  安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。 以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。 メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
  論文  参考訳（メタデータ） (2021-07-20T15:01:49Z)
• Autonomous Vehicles that Alert Humans to Take-Over Controls: Modeling with Real-World Data [11.007092387379076]
  本研究は,運転状態の文脈的意味的表現の開発に焦点を当てた。 自律型エージェントの乗っ取り制御を参加者に指示する大規模な実世界制御データスタディを実施します。 これらのテイクオーバーイベントは、複数のドライバー向けカメラを使用してキャプチャされ、ラベル付けされると、コントロール遷移のデータセットと対応するテイクオーバー時間(tot)が生成される。 このデータセットを拡張後、異なるドライバ向けカメラビューで動作するコンピュータビジョンアルゴリズムが生成する低レベルと中レベルの機能でシーケンシャルに動作するtotモデルを開発・訓練する。
  論文  参考訳（メタデータ） (2021-04-23T09:16:53Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Uncertainty-Aware Vehicle Orientation Estimation for Joint Detection-Prediction Models [12.56249869551208]
  オリエンテーションは、自律システムの下流モジュールにとって重要な特性である。 本稿では,既存のモデルを拡張し,共同物体検出と動き予測を行う手法を提案する。 さらに、この手法は予測の不確かさを定量化することができ、推定された向きが反転する確率を出力することができる。
  論文  参考訳（メタデータ） (2020-11-05T21:59:44Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)

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。