論文の概要: Transfer-LMR: Heavy-Tail Driving Behavior Recognition in Diverse Traffic Scenarios

• arxiv url: http://arxiv.org/abs/2405.05354v1
• Date: Wed, 8 May 2024 18:33:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-10 14:52:18.630369
• Title: Transfer-LMR: Heavy-Tail Driving Behavior Recognition in Diverse Traffic Scenarios
• Title（参考訳）: Transfer-LMR: 異種交通シナリオにおける重機駆動行動認識
• Authors: Chirag Parikh, Ravi Shankar Mishra, Rohan Chandra, Ravi Kiran Sarvadevabhatla,
• Abstract要約: 既存のビデオ認識アプローチは、一般的な振る舞いに対してうまく機能する。 しかし、パフォーマンスは、通常、振舞いクラス分布の尾にある、過度に表現された/希少な振舞いのサブパーである。 本稿では,すべての運転行動クラスにおける認識性能向上のためのモジュール型トレーニングルーチンであるTransfer-LMRを提案する。
• 参考スコア（独自算出の注目度）: 11.431703211595563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognizing driving behaviors is important for downstream tasks such as reasoning, planning, and navigation. Existing video recognition approaches work well for common behaviors (e.g. "drive straight", "brake", "turn left/right"). However, the performance is sub-par for underrepresented/rare behaviors typically found in tail of the behavior class distribution. To address this shortcoming, we propose Transfer-LMR, a modular training routine for improving the recognition performance across all driving behavior classes. We extensively evaluate our approach on METEOR and HDD datasets that contain rich yet heavy-tailed distribution of driving behaviors and span diverse traffic scenarios. The experimental results demonstrate the efficacy of our approach, especially for recognizing underrepresented/rare driving behaviors.
• Abstract（参考訳）: 運転行動を認識することは、推論、計画、ナビゲーションといった下流タスクにとって重要である。 既存のビデオ認識アプローチは、一般的な動作(例えば、"drive straight"、"brake"、"turn left/right"など)でうまく機能する。 しかし、その性能は、通常、振る舞いクラス分布の尾に現れる過度に表現された/希少な振る舞いのサブパーである。 そこで本研究では,全ての運転行動クラスにおける認識性能向上のためのモジュール型トレーニングルーチンであるTransfer-LMRを提案する。 我々はMETEORとHDDデータセットに対する我々のアプローチを広範囲に評価した。 実験により, 提案手法の有効性, 特に過度に表現された運転行動の認識に対する効果が示された。

関連論文リスト

• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  本研究は,自律運転分野におけるMLLM(Multimodal Large Language Models)の適用に焦点を当てた。 我々は、固定車載カメラの観点から、様々なMLLMの運転能力を世界モデルとして評価する。 以上の結果から,最先端MLLMの現在の能力に重要なギャップがあることが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Identification of Driving Heterogeneity using Action-chains [3.596647660010906]
  本研究では,アクションチェーンの観点から異種運転を識別するための包括的フレームワークを紹介する。 運転行動の物理的意味を考慮したルールベースセグメンテーション手法を提案する。 次に、セグメント化結果に基づいて、様々な駆動動作パターンの記述を含むアクションフェーズライブラリを作成する。
  論文  参考訳（メタデータ） (2023-07-31T17:04:39Z)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• 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)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
  本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。 我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-02-10T16:46:24Z)
• Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
  ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。 本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-01T20:18:03Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Modeling Human Driving Behavior through Generative Adversarial Imitation Learning [7.387855463533219]
  本稿では、学習に基づくドライバモデリングにおけるGAIL(Generative Adversarial Imitation Learning)の使用について述べる。 ドライバモデリングは本質的にマルチエージェント問題であるため,PS-GAILと呼ばれるGAILのパラメータ共有拡張について述べる。 本稿では、報酬信号を変更し、エージェントにドメイン固有の知識を提供するReward Augmented Imitation Learning (RAIL)について述べる。
  論文  参考訳（メタデータ） (2020-06-10T05:47:39Z)

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。