論文の概要: Considering Human Factors in Risk Maps for Robust and Foresighted Driver Warning

• arxiv url: http://arxiv.org/abs/2306.03849v1
• Date: Tue, 6 Jun 2023 16:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 14:15:27.849488
• Title: Considering Human Factors in Risk Maps for Robust and Foresighted Driver Warning
• Title（参考訳）: リスクマップにおける人為的要因を考慮したロバスト運転注意喚起
• Authors: Tim Puphal, Ryohei Hirano, Malte Probst, Raphael Wenzel and Akihito Kimata
• Abstract要約: 本稿では,ドライバーエラーの形で人間の状態を利用する警告システムを提案する。 このシステムは、周囲の運転状況の予測を直接変更する行動プランナーのリスクマップで構成されている。 動的車線変化と交差点シナリオの異なるシミュレーションでは、運転者の行動計画がいかに危険になるかを示す。
• 参考スコア（独自算出の注目度）: 1.4699455652461728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver support systems that include human states in the support process is an active research field. Many recent approaches allow, for example, to sense the driver's drowsiness or awareness of the driving situation. However, so far, this rich information has not been utilized much for improving the effectiveness of support systems. In this paper, we therefore propose a warning system that uses human states in the form of driver errors and can warn users in some cases of upcoming risks several seconds earlier than the state of the art systems not considering human factors. The system consists of a behavior planner Risk Maps which directly changes its prediction of the surrounding driving situation based on the sensed driver errors. By checking if this driver's behavior plan is objectively safe, a more robust and foresighted driver warning is achieved. In different simulations of a dynamic lane change and intersection scenarios, we show how the driver's behavior plan can become unsafe, given the estimate of driver errors, and experimentally validate the advantages of considering human factors.
• Abstract（参考訳）: サポートプロセスに人間状態を含むドライバ支援システムは、アクティブな研究分野である。 最近の多くのアプローチでは、例えば運転者の眠気や運転状況に対する意識を感知することができる。 しかし, これまでのところ, この豊富な情報は, 支援システムの有効性向上にはあまり役立っていない。 そこで本研究では,ドライバエラーの形でヒューマンステートを利用した警告システムを提案するとともに,人的要因を考慮しないアートシステムの状態よりも数秒早くユーザに対して警告を行うシステムを提案する。 このシステムは行動プランナーのリスクマップから成り、ドライバーの認識したエラーに基づいて周囲の運転状況の予測を直接変更する。 ドライバーの行動計画が客観的に安全かどうかをチェックすることにより、より堅牢で先見の明のドライバー警告が達成される。 動的な車線変更と交差点シナリオの異なるシミュレーションにおいて,運転者の行動計画の安全性を,運転者の誤差の推定値から評価し,人間の要因を考慮する利点を実験的に検証する。

関連論文リスト

• Optimal Driver Warning Generation in Dynamic Driving Environment [8.680694504513696]
  既存の運転警告技術は、人間のエラーによる衝突のリスクを低減することができる。 警告生成問題は部分的に観察されたマルコフ決定過程(POMDP)として定式化される 提案するPOMDPの解決策として,最適な警告生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-09T23:04:19Z)
• Reducing Warning Errors in Driver Support with Personalized Risk Maps [1.4230646728710978]
  本稿では,運転者の行動に基づいて,運転者のパーソナライズされた危険因子を推定する警告システムを提案する。 システムはその後、個人化されたリスクマップで警告信号を適応することができる。
  論文  参考訳（メタデータ） (2024-10-03T02:13:40Z)
• Human-Based Risk Model for Improved Driver Support in Interactive Driving Scenarios [0.0]
  運転支援の改善にドライバ情報を利用する人間型リスクモデルを提案する。 大規模なシミュレーションでは,新たな人為的リスクモデルが早期の警告時間を実現し,警告エラーの低減を図っている。
  論文  参考訳（メタデータ） (2024-10-03T02:10:13Z)
• 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)
• 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)
• 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)
• 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)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)
• Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk Object Identification via Causal Inference [19.71459945458985]
  運転者中心のリスク定義,すなわち運転者の行動に影響を与えるオブジェクトは危険である。 提案するオブジェクトレベルの操作可能な駆動モデルを用いた因果推論に基づく新しい2段階リスクオブジェクト識別フレームワークを提案する。 当社のフレームワークは,強力なベースラインに対するパフォーマンスを7.5%向上させています。
  論文  参考訳（メタデータ） (2020-03-05T04:14:35Z)

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。