論文の概要: Investigating Personalized Driving Behaviors in Dilemma Zones: Analysis and Prediction of Stop-or-Go Decisions
- arxiv url: http://arxiv.org/abs/2405.03873v1
- Date: Mon, 6 May 2024 21:39:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 15:57:58.636574
- Title: Investigating Personalized Driving Behaviors in Dilemma Zones: Analysis and Prediction of Stop-or-Go Decisions
- Title（参考訳）: ジレンマゾーンにおけるパーソナライズドライビング行動の調査:ストップ・オー・ゴー判定の分析と予測
- Authors: Ziye Qin, Siyan Li, Guoyuan Wu, Matthew J. Barth, Amr Abdelraouf, Rohit Gupta, Kyungtae Han,
- Abstract要約: 我々は、個々のドライバーの停止決定を予測できるパーソナライズされたトランスフォーマーを開発した。
その結果、パーソナライズされたトランスフォーマーは、ジレンマゾーンにおけるドライバーの意思決定を3.7%から12.6%の精度で予測できることがわかった。
- 参考スコア（独自算出の注目度）: 15.786599260846057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dilemma zones at signalized intersections present a commonly occurring but unsolved challenge for both drivers and traffic operators. Onsets of the yellow lights prompt varied responses from different drivers: some may brake abruptly, compromising the ride comfort, while others may accelerate, increasing the risk of red-light violations and potential safety hazards. Such diversity in drivers' stop-or-go decisions may result from not only surrounding traffic conditions, but also personalized driving behaviors. To this end, identifying personalized driving behaviors and integrating them into advanced driver assistance systems (ADAS) to mitigate the dilemma zone problem presents an intriguing scientific question. In this study, we employ a game engine-based (i.e., CARLA-enabled) driving simulator to collect high-resolution vehicle trajectories, incoming traffic signal phase and timing information, and stop-or-go decisions from four subject drivers in various scenarios. This approach allows us to analyze personalized driving behaviors in dilemma zones and develop a Personalized Transformer Encoder to predict individual drivers' stop-or-go decisions. The results show that the Personalized Transformer Encoder improves the accuracy of predicting driver decision-making in the dilemma zone by 3.7% to 12.6% compared to the Generic Transformer Encoder, and by 16.8% to 21.6% over the binary logistic regression model.
- Abstract（参考訳）: 信号交差点のジレンマゾーンは、一般的に発生するが、運転者や交通業者にとって未解決の課題である。
黄色いライトのオンセットは、様々なドライバーからの反応を刺激する: ある者は突然ブレーキをかけ、乗り心地を損なうが、ある者は加速し、赤信号違反のリスクと潜在的な安全リスクを増大させる。
このようなドライバの停止決定の多様性は、交通条件を囲むだけでなく、運転行動のパーソナライズによってもたらされる可能性がある。
この目的のために、パーソナライズされた運転行動を特定し、ジレンマゾーン問題を緩和する高度運転支援システム(ADAS)に統合することは、興味深い科学的疑問を呈する。
本研究では,CARLA対応のゲームエンジン駆動シミュレータを用いて,高解像度車両軌道,着信信号位相,タイミング情報を収集し,各シナリオにおける4人の運転者の停止決定を行う。
このアプローチにより、ジレンマゾーンにおけるパーソナライズされた運転行動を分析し、個別のドライバーの停止決定を予測できるパーソナライズされたトランスフォーマーエンコーダを開発することができる。
その結果、パーソナライズされたトランスフォーマーエンコーダは、ジェネリックトランスフォーマーエンコーダよりも3.7%から12.6%、バイナリロジスティック回帰モデルより16.8%から21.6%の精度で、ジレンマゾーンにおけるドライバの意思決定の予測精度を向上することが示された。
関連論文リスト
- DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳（メタデータ） (2024-01-08T03:06:02Z) - 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) - Decision Making for Autonomous Driving in Interactive Merge Scenarios
via Learning-based Prediction [39.48631437946568]
本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。
我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。
POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
論文 参考訳（メタデータ） (2023-03-29T16:12:45Z) - 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) - Personalized Lane Change Decision Algorithm Using Deep Reinforcement
Learning Approach [4.681908782544996]
ドライビング・イン・ザ・ループ実験は6自由度運転シミュレータ上で実施される。
車線変更判定において、運転者の好みを記述するためにパーソナライズ指標が選択される。
深部強化学習(RL)アプローチは、車線変更自動決定のための人間のようなエージェントの設計に適用される。
論文 参考訳（メタデータ） (2021-12-17T10:16:43Z) - Multi-Agent Variational Occlusion Inference Using People as Sensors [28.831182328958477]
エージェントの振る舞いから占有度を推定することは本質的にマルチモーダル問題である。
そこで本研究では,人間のエージェントの観察行動をセンサ測定として特徴付けるオクルージョン推論手法を提案する。
我々のアプローチは、実世界のデータセットで検証され、ベースラインを上回り、リアルタイムに有能なパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-09-05T21:56:54Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - 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。
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。