論文の概要: Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction

• arxiv url: http://arxiv.org/abs/2402.13421v1
• Date: Tue, 20 Feb 2024 23:20:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:44:07.299608
• Title: Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction
• Title（参考訳）: 運転者減量のための文脈対応量的リスクアセスメント機械学習モデル
• Authors: Adebamigbe Fasanmade, Ali H. Al-Bayatti, Jarrad Neil Morden and Fabio Caraffini
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk mitigation techniques are critical to avoiding accidents associated with driving behaviour. We provide a novel Multi-Class Driver Distraction Risk Assessment (MDDRA) model that considers the vehicle, driver, and environmental data during a journey. MDDRA categorises the driver on a risk matrix as safe, careless, or dangerous. It offers flexibility in adjusting the parameters and weights to consider each event on a specific severity level. We collect real-world data using the Field Operation Test (TeleFOT), covering drivers using the same routes in the East Midlands, United Kingdom (UK). The results show that reducing road accidents caused by driver distraction is possible. We also study the correlation between distraction (driver, vehicle, and environment) and the classification severity based on a continuous distraction severity score. Furthermore, we apply machine learning techniques to classify and predict driver distraction according to severity levels to aid the transition of control from the driver to the vehicle (vehicle takeover) when a situation is deemed risky. The Ensemble Bagged Trees algorithm performed best, with an accuracy of 96.2%.
• Abstract（参考訳）: 運転行動に伴う事故を避けるには、リスク軽減技術が不可欠である。 移動中の車両,運転者,環境データを考慮し,mddra(multi-class driver distraction risk assessment)モデルを提案する。 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。 パラメータと重みを調整する柔軟性を提供し、それぞれのイベントを特定の重大度レベルで考慮する。 フィールド操作テスト(TeleFOT)を用いて,英国イースト・ミッドランズ(East Midlands,UK)の運転者を対象に,実世界のデータを収集した。 その結果,運転者の気晴らしによる道路事故の低減が可能であった。 また, 運転者, 車両, 環境) と分類重大度との相関を, 連続的注意重大度スコアに基づいて検討した。 さらに,運転者から車両への制御(車両の乗っ取り)が危険であると判断される場合,運転者から車両への制御の移行を支援するために,運転者の気晴らしの分類と予測に機械学習を適用する。 Ensemble Bagged Treesアルゴリズムの精度は96.2%であった。

関連論文リスト

• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• On using Machine Learning Algorithms for Motorcycle Collision Detection [0.0]
  衝突シミュレーションにより,エアバッグやシートベルトなどの受動的安全対策を装備すれば,車両衝突時の重傷や死亡のリスクを大幅に低減できることが示された。 本稿では,衝突を確実に検出する上での課題として,機械学習アルゴリズムの適用性について検討する。
  論文  参考訳（メタデータ） (2024-03-14T15:32:25Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• 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)
• 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)
• An Open Case-based Reasoning Framework for Personalized On-board Driving Assistance in Risk Scenarios [0.46408356903366527]
  個人化された車載運転支援を実現するためのオープンなフレームワークを提案する。 その後、既存の事例を検索、再利用、修正し、支援を生成するためのCBRベースの調整手法が提案される。 100-Car Naturalistic Driving Studyデータセットをフレームワークの構築とテストの例として用います。
  論文  参考訳（メタデータ） (2022-11-23T09:28:28Z)
• Driver-centric Risk Object Identification [25.85690304998681]
  運転者中心のリスク定義,すなわち危険物が運転者行動に影響を与えることを提案する。 本稿では,本課題を原因影響問題として定式化し,新たな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。 運転者中心型リスクオブジェクト識別データセットを算出し,提案システムの評価を行う。
  論文  参考訳（メタデータ） (2021-06-24T17:27:32Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• 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。