Fugu-MT 論文翻訳(概要): Using Visual and Vehicular Sensors for Driver Behavior Analysis: A Survey

論文の概要: Using Visual and Vehicular Sensors for Driver Behavior Analysis: A Survey

arxiv url: http://arxiv.org/abs/2308.13406v1
Date: Fri, 25 Aug 2023 14:33:59 GMT
ステータス: 処理完了
システム内更新日: 2023-08-28 13:43:00.724257
Title: Using Visual and Vehicular Sensors for Driver Behavior Analysis: A Survey
Title（参考訳）: 視覚・車体センサを用いた運転行動分析:サーベイ
Authors: Bikram Adhikari
Abstract要約: 危険ドライバーは米国での死亡事故の70%を占めている。本稿では,視覚・車体データを用いた運転者の行動分析手法について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Risky drivers account for 70% of fatal accidents in the United States. With recent advances in sensors and intelligent vehicular systems, there has been significant research on assessing driver behavior to improve driving experiences and road safety. This paper examines the various techniques used to analyze driver behavior using visual and vehicular data, providing an overview of the latest research in this field. The paper also discusses the challenges and open problems in the field and offers potential recommendations for future research. The survey concludes that integrating vision and vehicular information can significantly enhance the accuracy and effectiveness of driver behavior analysis, leading to improved safety measures and reduced traffic accidents.
Abstract（参考訳）: 危険ドライバーは米国での死亡事故の70%を占めている。近年のセンサやインテリジェント車両システムの進歩により、運転経験と道路安全を改善するために運転行動を評価する重要な研究がなされている。本稿では,視覚・車体データを用いた運転者の行動分析手法について検討し,この分野での最新の研究の概要を紹介する。本稿は、この分野における課題とオープンな課題についても論じ、今後の研究を推奨する。その結果,視覚情報と車両情報の統合により,運転行動分析の精度と有効性が著しく向上し,安全対策や交通事故の低減につながることがわかった。

関連論文リスト

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)
AccidentGPT: Accident Analysis and Prevention from V2X Environmental Perception with Multi-modal Large Model [32.14950866838055]
AccidentGPTは総合的な事故解析とマルチモーダル大模型の予防である。自律走行車では、車両を制御し衝突を避けるための総合的な環境認識と理解を提供する。人間の運転する車には、プロアクティブな長距離安全警告と盲点警告を提供します。我々のフレームワークは、歩行者、車両、道路、環境を含む交通安全のインテリジェントでリアルタイムな分析を支援する。
論文参考訳（メタデータ） (2023-12-20T16:19:47Z)
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)
Considering Human Factors in Risk Maps for Robust and Foresighted Driver Warning [1.4699455652461728]
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。
論文参考訳（メタデータ） (2023-06-06T16:39:58Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
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)
Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
道路事故は世界8大死因である。様々な要因がドライバーの疲労の原因となっている。ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
論文参考訳（メタデータ） (2022-08-31T08:42:28Z)
Drivers' attention detection: a systematic literature review [62.997667081978825]
多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
論文参考訳（メタデータ） (2022-04-06T11:36:40Z)
Dynamic and Systematic Survey of Deep Learning Approaches for Driving Behavior Analysis [2.879036956042183]
運転行動の分析は、言及された問題の最適化と回避につながる可能性がある。運転の種類を特定して、その運転の結果にマッピングすることで、予防するためのモデルを得ることができます。
論文参考訳（メタデータ） (2021-09-18T19:47:03Z)
Behavioral Research and Practical Models of Drivers' Attention [21.70169149901781]
このレポートは、ドライバーの内部および外部の要因によるドライバーの視覚的注意の変化に関する文献をカバーしています。ドライバーの注意に関する学際的な理論的および行動的研究と実用的な解決策を結びつけます。このレポートは、175以上の行動研究、100近い実用的な論文、20のデータセット、2010年以来の70以上の調査に基づいています。
論文参考訳（メタデータ） (2021-04-12T17:42:04Z)
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)

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。