論文の概要: Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data
- arxiv url: http://arxiv.org/abs/2303.14720v2
- Date: Fri, 8 Sep 2023 12:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 18:15:34.472977
- Title: Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data
- Title（参考訳）: 自然性周辺検出学習データを用いたドライバプロファイリングとベイズワークロード推定
- Authors: Nermin Caber, Bashar I. Ahmad, Jiaming Liang, Simon Godsill, Alexandra
Bremers, Philip Thomas, David Oxtoby and Lee Skrypchuk
- Abstract要約: 性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
- 参考スコア（独自算出の注目度）: 40.43737902900321
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Monitoring drivers' mental workload facilitates initiating and maintaining
safe interactions with in-vehicle information systems, and thus delivers
adaptive human machine interaction with reduced impact on the primary task of
driving. In this paper, we tackle the problem of workload estimation from
driving performance data. First, we present a novel on-road study for
collecting subjective workload data via a modified peripheral detection task in
naturalistic settings. Key environmental factors that induce a high mental
workload are identified via video analysis, e.g. junctions and behaviour of
vehicle in front. Second, a supervised learning framework using
state-of-the-art time series classifiers (e.g. convolutional neural network and
transform techniques) is introduced to profile drivers based on the average
workload they experience during a journey. A Bayesian filtering approach is
then proposed for sequentially estimating, in (near) real-time, the driver's
instantaneous workload. This computationally efficient and flexible method can
be easily personalised to a driver (e.g. incorporate their inferred average
workload profile), adapted to driving/environmental contexts (e.g. road type)
and extended with data streams from new sources. The efficacy of the presented
profiling and instantaneous workload estimation approaches are demonstrated
using the on-road study data, showing $F_{1}$ scores of up to 92% and 81%,
respectively.
- Abstract（参考訳）: ドライバーのメンタルワークロードの監視は、車載情報システムとの安全なインタラクションの開始と維持を容易にする。
本稿では,運転実績データから負荷推定を行う問題に対処する。
まず,自然条件下での周辺検出タスクの修正により,主観的な作業負荷データを収集する手法を提案する。
心的負荷を誘発する主要な環境要因は、例えば前方の車両の接合や挙動などのビデオ分析によって特定される。
第二に、最先端の時系列分類器(例えば畳み込みニューラルネットワークと変換技術)を用いた教師付き学習フレームワークが、旅行中に経験した平均作業量に基づいてプロファイルドライバに導入された。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
この計算効率が高く柔軟な方法は、ドライバー(例えば、推定平均負荷プロファイルを組み込む)にパーソナライズしやすく、運転/環境コンテキスト(例えば、道路タイプ)に適応し、新しいソースからのデータストリームで拡張することができる。
提案したプロファイリングの有効性と即時ワークロード推定手法の有効性を,道路調査データを用いて実証し,F_{1}$スコアを最大92%,81%とした。
関連論文リスト
- Enhancing Lane Segment Perception and Topology Reasoning with Crowdsourcing Trajectory Priors [12.333249510969289]
本稿では, 軌道先行の新たな視点から, 先行オーディメンテーションを考察する。
我々は、融合プロセス中にアライメントを考慮に入れた信頼に基づく融合モジュールを設計する。
その結果,本手法の性能は現在の最先端手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-11-26T07:05:05Z) - Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。
我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。
100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2024-11-20T10:27:12Z) - Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving [0.0]
本研究では,アクティブラーニングフレームワークにおける軌道状態とサンプリング戦略のクラスタリング手法を提案する。
トラジェクティブ・ステートインフォームド・アクティブ・ラーニングを統合することで、より効率的で堅牢な自動運転システムが実現可能であることを示す。
論文 参考訳（メタデータ） (2024-05-15T02:54:11Z) - 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) - Policy Pre-training for End-to-end Autonomous Driving via
Self-supervised Geometric Modeling [96.31941517446859]
PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。
本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。
第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。
第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
論文 参考訳（メタデータ） (2023-01-03T08:52:49Z) - 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) - Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。
自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ
本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
論文 参考訳（メタデータ） (2021-09-22T13:59:27Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z) - Action Sequence Predictions of Vehicles in Urban Environments using Map
and Social Context [152.0714518512966]
本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。
最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。
第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。
第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
論文 参考訳（メタデータ） (2020-04-29T14:59:58Z)
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。