論文の概要: Enhancing Road Safety through Accurate Detection of Hazardous Driving Behaviors with Graph Convolutional Recurrent Networks

• arxiv url: http://arxiv.org/abs/2305.05670v1
• Date: Mon, 8 May 2023 21:05:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 15:41:17.348240
• Title: Enhancing Road Safety through Accurate Detection of Hazardous Driving Behaviors with Graph Convolutional Recurrent Networks
• Title（参考訳）: グラフ畳み込みリカレントネットワークによる危険運転行動の高精度検出による道路安全向上
• Authors: Pooyan Khosravinia, Thinagaran Perumal, Javad Zarrin
• Abstract要約: グラフ畳み込み長短期記憶ネットワーク(GConvLSTM)に基づく信頼性駆動行動検出(DBD)システムを提案する。 提案モデルでは,公共センサの精度97.5%,非公共センサの平均精度98.1%を達成し,両者の整合性と精度を示した。 提案システムは,道路の安全向上と運転ミスによる事故件数削減に有効である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Car accidents remain a significant public safety issue worldwide, with the majority of them attributed to driver errors stemming from inadequate driving knowledge, non-compliance with regulations, and poor driving habits. To improve road safety, Driving Behavior Detection (DBD) systems have been proposed in several studies to identify safe and unsafe driving behavior. Many of these studies have utilized sensor data obtained from the Controller Area Network (CAN) bus to construct their models. However, the use of publicly available sensors is known to reduce the accuracy of detection models, while incorporating vendor-specific sensors into the dataset increases accuracy. To address the limitations of existing approaches, we present a reliable DBD system based on Graph Convolutional Long Short-Term Memory Networks (GConvLSTM) that enhances the precision and practicality of DBD models using public sensors. Additionally, we incorporate non-public sensors to evaluate the model's effectiveness. Our proposed model achieved a high accuracy of 97.5\% for public sensors and an average accuracy of 98.1\% for non-public sensors, indicating its consistency and accuracy in both settings. To enable local driver behavior analysis, we deployed our DBD system on a Raspberry Pi at the network edge, with drivers able to access daily driving condition reports, sensor data, and prediction results through a monitoring dashboard. Furthermore, the dashboard issues voice warnings to alert drivers of hazardous driving conditions. Our findings demonstrate that the proposed system can effectively detect hazardous and unsafe driving behavior, with potential applications in improving road safety and reducing the number of accidents caused by driver errors.
• Abstract（参考訳）: 自動車事故は世界中で重大な公共の安全問題であり、その大半は運転の知識の不足、規制の遵守の欠如、運転習慣の悪さが原因である。 道路安全を改善するため,安全かつ安全でない運転行動を特定するために,運転行動検出システム(DBD)がいくつかの研究で提案されている。 これらの研究の多くは、コントローラエリアネットワーク(CAN)バスから得られたセンサデータを利用してモデルを構築している。 しかし、一般公開されているセンサーを使用することで検出モデルの精度が低下し、ベンダー固有のセンサーをデータセットに組み込むことで精度が向上することが知られている。 既存のアプローチの限界に対処するため,公共センサを用いたDBDモデルの精度と実用性を向上するグラフ畳み込み長短期記憶ネットワーク(GConvLSTM)に基づく信頼性DBDシステムを提案する。 さらに,非公開センサを組み込んでモデルの有効性を評価する。 提案モデルでは,公用センサでは97.5\%,非公用センサでは平均98.1\%の精度を達成し,両者の整合性と精度を示した。 ローカルドライバの動作解析を可能にするために,ネットワークエッジのraspberry piにdbdシステムをデプロイし,毎日の運転状況報告やセンサデータ,予測結果に監視ダッシュボードを通じてアクセス可能とした。 さらに、ダッシュボードは、危険運転状況のドライバーに警告するボイス警告を発行する。 以上の結果から,提案システムは,道路の安全性向上や事故発生回数の低減に潜在的に応用できるため,危険かつ安全でない運転動作を効果的に検出できることが示された。

関連論文リスト

• A neural-network based anomaly detection system and a safety protocol to protect vehicular network [0.0]
  この論文は、車車間通信を可能にすることにより、道路の安全性と効率を向上させるために、CITS(Cooperative Intelligent Transport Systems)の使用に対処する。 安全性を確保するため、論文では、Long Short-Term Memory (LSTM)ネットワークを用いた機械学習に基づくミスビヘイビア検出システム(MDS)を提案する。
  論文  参考訳（メタデータ） (2024-11-11T14:15:59Z)
• Enhancing Road Safety: Real-Time Detection of Driver Distraction through Convolutional Neural Networks [0.0]
  本研究は,運転者の気晴らしをリアルタイムに検出する上で,最も効率的なモデルを明らかにすることを目的とする。 最終的な目的は、この発見を車両の安全システムに組み込むことであり、不注意によって引き起こされる事故を防ぐ能力を大幅に向上させることである。
  論文  参考訳（メタデータ） (2024-05-28T03:34:55Z)
• A Safety-Adapted Loss for Pedestrian Detection in Automated Driving [13.676179470606844]
  安全クリティカルなドメインでは、オブジェクト検出器によるエラーは歩行者や他の脆弱な道路利用者を危険にさらす可能性がある。 本稿では,トレーニング中の歩行者あたりの臨界点の推定値を活用する安全意識の損失変動を提案する。
  論文  参考訳（メタデータ） (2024-02-05T13:16:38Z)
• 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)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• Smartphone-based Hard-braking Event Detection at Scale for Road Safety Services [6.451490979743455]
  道路事故は世界第6位の障害調整生命年(DALY)の原因となっている。 本稿では,スマートフォンセンサから収集したキネマティクスデータを用いて,ハードブレーキイベントを検出するスケーラブルなアプローチを提案する。 われわれはTransformerをベースとした機械学習モデルをトレーニングし、Google Mapsでナビゲートしながらスマートフォンや車両のセンサーから、スマートフォンと車両のセンサーを同時に読み取ることで、ハードブレーキイベントの検出を可能にした。
  論文  参考訳（メタデータ） (2022-02-04T01:30:32Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
  ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。 本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T01:46:35Z)

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。