論文の概要: MobiScout: A Scalable Cloud-Based Driving and Activity Monitoring
Platform Featuring an IOS App and a WatchOS Extension
- arxiv url: http://arxiv.org/abs/2308.05698v1
- Date: Thu, 10 Aug 2023 17:00:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 14:41:58.826497
- Title: MobiScout: A Scalable Cloud-Based Driving and Activity Monitoring
Platform Featuring an IOS App and a WatchOS Extension
- Title（参考訳）: MobiScout: IOSアプリとWatchOSエクステンションを備えたスケーラブルなクラウドベースの駆動およびアクティビティ監視プラットフォーム
- Authors: Kojo Konadu Adu-Gyamfi, Karo Ahmadi-Dehrashid, Yaw Okyere Adu-Gyamfi,
Pujitha Gunaratne, Anuj Sharma
- Abstract要約: MobiScoutは、道路上でユーザーの運転習慣や生理状態を監視するiOSソフトウェアである。
MobiScoutアプリは、自然主義駆動研究のための低コストな次世代データ収集および分析ソリューションを提供するために開発された。
- 参考スコア（独自算出の注目度）: 1.9953114232105387
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: MobiScout is an iOS software that monitors users' driving habits and
physiological conditions while on the road. The Mobiscout app was created to
provide a low-cost next-generation data collection and analysis solution for
naturalistic driving studies. MobiScout collects real-time data, including
physiological information from drivers in their normal driving conditions using
sensors and cameras on mobile phones, smartwatches, and Bluetooth-enabled OBD
equipment. The MobiScout software captures vehicle and driving data, including
speed, braking, pulse rate, and acceleration, while the phone's camera captures
everything inside and outside the car. Data captured can be streamed to cloud
storage in real-time or persisted in local storage in WIFI dead zones. The
information gathered will be studied further to better understand typical
traffic behavior, performance, surroundings, and driving context among drivers.
- Abstract（参考訳）: MobiScoutは、道路上でユーザーの運転習慣や生理状態を監視するiOSソフトウェアである。
Mobiscoutアプリは、自然主義駆動研究のための低コストな次世代データ収集および分析ソリューションを提供するために開発された。
MobiScoutは、携帯電話、スマートウォッチ、Bluetooth対応OBD機器のセンサーとカメラを使って、通常の運転状態の運転者の生理的情報を含むリアルタイムデータを収集する。
MobiScoutのソフトウェアは、速度、ブレーキ、パルス速度、加速度などの車両と運転データをキャプチャし、スマートフォンのカメラは車内外のあらゆるものをキャプチャします。
キャプチャされたデータは、リアルタイムでクラウドストレージにストリーミングしたり、WIFIデッドゾーン内のローカルストレージに永続化することができる。
収集された情報は、ドライバー間の典型的な交通行動、性能、環境、運転状況をよりよく理解するためにさらに研究される。
関連論文リスト
- G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - A Wearable Data Collection System for Studying Micro-Level E-Scooter
Behavior in Naturalistic Road Environment [3.5466525046297264]
本稿では,自然道路環境におけるマイクロレベルのe-Scooter動作を調査するためのウェアラブルデータ収集システムを提案する。
ロボットオペレーティングシステム(ROS)を用いたLiDAR、カメラ、GPSの統合により、e-Scooterベースのデータ取得システムを開発した。
論文 参考訳（メタデータ） (2022-12-22T18:58:54Z) - On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
論文 参考訳（メタデータ） (2022-11-15T15:07:45Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - Optical Flow Based Motion Detection for Autonomous Driving [0.0]
入力として光流場情報を用いて動作状態を分類するためにニューラルネットワークモデルを訓練する。
この実験は精度が高く、私たちのアイデアが実現可能で有望であることを示します。
論文 参考訳（メタデータ） (2022-03-03T03:24:14Z) - A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification [1.552282932199974]
我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。
第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
論文 参考訳（メタデータ） (2022-02-01T10:12:36Z) - Mobile Sensing for Multipurpose Applications in Transportation [0.0]
国務省は、交通問題をタイムリーに分析・解決するために一貫したデータを集めるのに苦労している。
スマートフォンに内蔵されたセンサーの最近の進歩は、より手頃なデータ収集方法をもたらした。
開発されたアプリは、ミズーリ州コロンビアとミズーリ州カンザスシティを結ぶi70Wハイウェイのデータを収集して評価された。
論文 参考訳（メタデータ） (2021-06-20T17:56:12Z) - The Multimodal Driver Monitoring Database: A Naturalistic Corpus to
Study Driver Attention [44.94118128276982]
スマートな車両は、人間の運転者の行動や行動を監視して、必要な時に警告や介入を行う必要がある。
深層学習とコンピュータビジョンの最近の進歩は、人間の行動や活動を監視する上で大きな約束を示しています。
運転関連タスクの予測に高性能を提供するモデルのトレーニングには、ドメイン内の膨大なデータが必要である。
論文 参考訳（メタデータ） (2020-12-23T16:37:17Z) - MobileDets: Searching for Object Detection Architectures for Mobile
Accelerators [61.30355783955777]
逆ボトルネック層は、モバイルデバイス上の最先端のオブジェクト検出モデルにおいて、主要なビルディングブロックとなっている。
通常の畳み込みは、アクセラレーターにおけるオブジェクト検出の遅延精度トレードオフを高める強力なコンポーネントである。
我々は、モバイルアクセラレーター全体で最先端の成果を得られるオブジェクト検出モデル、MobileDetsのファミリーを得る。
論文 参考訳（メタデータ） (2020-04-30T00:21:30Z)
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。