論文の概要: AI-Based Framework for Understanding Car Following Behaviors of Drivers
in A Naturalistic Driving Environment
- arxiv url: http://arxiv.org/abs/2301.09315v1
- Date: Mon, 23 Jan 2023 08:24:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 14:02:45.622344
- Title: AI-Based Framework for Understanding Car Following Behaviors of Drivers
in A Naturalistic Driving Environment
- Title（参考訳）: 自然主義的運転環境における運転者の車追従行動のaiによる理解
- Authors: Armstrong Aboah, Abdul Rashid Mussah, Yaw Adu-Gyamfi
- Abstract要約: 後続の事故はしばしば致命的なものである。
後部事故の原因となる車両の挙動を正確にモデル化する必要がある。
本研究では,自然環境における運転行動の理解に関連する特徴を抽出する人工知能フレームワークを開発する。
- 参考スコア（独自算出の注目度）: 6.445605125467574
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The most common type of accident on the road is a rear-end crash. These
crashes have a significant negative impact on traffic flow and are frequently
fatal. To gain a more practical understanding of these scenarios, it is
necessary to accurately model car following behaviors that result in rear-end
crashes. Numerous studies have been carried out to model drivers' car-following
behaviors; however, the majority of these studies have relied on simulated
data, which may not accurately represent real-world incidents. Furthermore,
most studies are restricted to modeling the ego vehicle's acceleration, which
is insufficient to explain the behavior of the ego vehicle. As a result, the
current study attempts to address these issues by developing an artificial
intelligence framework for extracting features relevant to understanding driver
behavior in a naturalistic environment. Furthermore, the study modeled the
acceleration of both the ego vehicle and the leading vehicle using extracted
information from NDS videos. According to the study's findings, young people
are more likely to be aggressive drivers than elderly people. In addition, when
modeling the ego vehicle's acceleration, it was discovered that the relative
velocity between the ego vehicle and the leading vehicle was more important
than the distance between the two vehicles.
- Abstract（参考訳）: 道路上の最も一般的な事故は、後部事故である。
これらの事故は交通の流れに重大な悪影響を及ぼし、しばしば致命的である。
これらのシナリオをより実践的に理解するためには、車の後続の挙動を正確にモデル化する必要がある。
ドライバーの車追従行動のモデル化には多くの研究がなされているが、これらの研究の大部分はシミュレーションデータに依存しており、実際の事故を正確に表現していない。
さらに、ほとんどの研究はエゴ車の加速のモデル化に限定されており、エゴ車の挙動を説明するには不十分である。
その結果,本研究では,自然環境における運転行動の理解に関連する特徴を抽出する人工知能フレームワークを開発することにより,これらの課題に対処しようとしている。
さらに,NDSビデオから抽出した情報を用いて,エゴ車両と先頭車両の加速をモデル化した。
調査結果によると、若者は高齢者よりも攻撃的なドライバーになりやすいという。
また,ego車両の加速度をモデル化する際には,ego車両と先行車両の相対速度が両車両間距離よりも重要であることが判明した。
関連論文リスト
- RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - 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) - Passive and Active Learning of Driver Behavior from Electric Vehicles [2.9623902973073375]
運転者の振る舞いをモデル化することは、電気自動車のエネルギー消費の予測など、自動車業界にいくつかの利点をもたらす。
機械学習手法はドライバーの行動分類に広く使われており、いくつかの課題をもたらす可能性がある。
これには、長期のウィンドウ上のシーケンスモデリングや、高価なアノテーションによるラベル付きデータの欠如が含まれる。
論文 参考訳（メタデータ） (2022-03-04T08:18:02Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Markov Switching Model for Driver Behavior Prediction: Use cases on
Smartphones [4.576379639081977]
スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。
提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
論文 参考訳（メタデータ） (2021-08-29T09:54:05Z) - 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) - A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。
2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。
その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
論文 参考訳（メタデータ） (2020-12-24T18:04:08Z) - Vehicle Class, Speed, and Roadway Geometry Based Driver Behavior
Identification and Classification [6.09170287691728]
本稿では,特に重車両を牽引する車両のクラスが,次の車両の挙動に与える影響について検討する。
これは、カリフォルニア州エメリービルの州間高速道路80号線(I80)のNGSIM(Next Generation Simulation)データセットから、様々な自動車追尾エピソードを抽出して分析した。
論文 参考訳（メタデータ） (2020-09-16T19:45:39Z) - 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)
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。