論文の概要: Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing
- arxiv url: http://arxiv.org/abs/2309.16716v1
- Date: Wed, 23 Aug 2023 18:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:47:50.727244
- Title: Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing
- Title(参考訳): ハイブリッド交通における安全自律:情報共有による運転者の予測不可能な異常行動の検出
- Authors: Jiangwei Wang, Lili Su, Songyang Han, Dongjin Song, Fei Miao
- Abstract要約: 提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
- 参考スコア(独自算出の注目度): 21.979007506007733
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hybrid traffic which involves both autonomous and human-driven vehicles would
be the norm of the autonomous vehicles practice for a while. On the one hand,
unlike autonomous vehicles, human-driven vehicles could exhibit sudden abnormal
behaviors such as unpredictably switching to dangerous driving modes, putting
its neighboring vehicles under risks; such undesired mode switching could arise
from numbers of human driver factors, including fatigue, drunkenness,
distraction, aggressiveness, etc. On the other hand, modern vehicle-to-vehicle
communication technologies enable the autonomous vehicles to efficiently and
reliably share the scarce run-time information with each other. In this paper,
we propose, to the best of our knowledge, the first efficient algorithm that
can (1) significantly improve trajectory prediction by effectively fusing the
run-time information shared by surrounding autonomous vehicles, and can (2)
accurately and quickly detect abnormal human driving mode switches or abnormal
driving behavior with formal assurance without hurting human drivers privacy.
To validate our proposed algorithm, we first evaluate our proposed trajectory
predictor on NGSIM and Argoverse datasets and show that our proposed predictor
outperforms the baseline methods. Then through extensive experiments on SUMO
simulator, we show that our proposed algorithm has great detection performance
in both highway and urban traffic. The best performance achieves detection rate
of 97.3%, average detection delay of 1.2s, and 0 false alarm.
- Abstract(参考訳): 自動運転車と人間駆動車の両方を含むハイブリッド交通は、しばらくの間自動運転車の練習の標準となるだろう。
一方、自動運転車とは異なり、人間が運転する車両は、予期せぬ危険な運転モードに切り替えたり、近隣の車両を危険にさらすなどの突然の異常な行動を示す可能性がある。
一方、現代の車両間通信技術により、自動運転車は少ない走行時間情報を効率的にかつ確実に共有することができる。
本稿では,1)周囲の自動運転車が共有する走行時間情報を効果的に融合させることで軌道予測を大幅に改善し,(2)人間のドライバーのプライバシーを損なうことなく,異常運転モードスイッチや異常運転動作を正確にかつ迅速に検出できる,最初の効率的なアルゴリズムを提案する。
提案手法の有効性を検証するため,まずngsimおよびargoverseデータセット上で提案する軌道予測器を評価し,提案手法がベースライン法を上回ることを示す。
そして,SUMOシミュレータの広範な実験により,提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最良の性能は検出率97.3%、平均検出遅延1.2s、誤警報0である。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳(メタデータ) (2024-11-04T09:21:00Z) - Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。
本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。
本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
論文 参考訳(メタデータ) (2024-08-08T03:49:05Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳(メタデータ) (2024-05-14T09:42:21Z) - Automatic driving lane change safety prediction model based on LSTM [3.8749946206111603]
LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点がある。
その結果、従来のモデルベース手法と比較して、LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点があることが示された。
論文 参考訳(メタデータ) (2024-02-28T12:34:04Z) - 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) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - 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) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳(メタデータ) (2021-05-05T01:20:03Z) - Deep Reinforcement Learning for Human-Like Driving Policies in Collision
Avoidance Tasks of Self-Driving Cars [1.160208922584163]
自動運転ポリシーを生成するために,モデルフリーで深層強化学習手法を導入する。
本研究では,2車線道路における静的障害物回避タスクをシミュレーションで検討する。
このアプローチが人間ライクな運転ポリシーにつながることを実証します。
論文 参考訳(メタデータ) (2020-06-07T18:20:33Z) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳(メタデータ) (2020-04-08T11:45:13Z)
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。