論文の概要: NDST: Neural Driving Style Transfer for Human-Like Vision-Based Autonomous Driving
- arxiv url: http://arxiv.org/abs/2407.08073v1
- Date: Wed, 10 Jul 2024 22:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 21:19:34.325401
- Title: NDST: Neural Driving Style Transfer for Human-Like Vision-Based Autonomous Driving
- Title（参考訳）: NDST:人間の視覚に基づく自律運転のためのニューラルドライビング方式のトランスファー
- Authors: Donghyun Kim, Aws Khalil, Haewoon Nam, Jaerock Kwon,
- Abstract要約: 自律運転(AD)における利用者の快適性を高める新しいアプローチであるニューラル・ドライビング・スタイル・トランスファー(NDST)を提案する。
NDSTはパーソナライズドブロック(PB)を従来のベースライン駆動モデル(BDM)に統合する
PBは自己設定システムとして機能し、BDMの変更を必要とせず、個人の運転行動に適応し、学習する。
- 参考スコア（独自算出の注目度）: 6.342339536410644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous Vehicles (AV) and Advanced Driver Assistant Systems (ADAS) prioritize safety over comfort. The intertwining factors of safety and comfort emerge as pivotal elements in ensuring the effectiveness of Autonomous Driving (AD). Users often experience discomfort when AV or ADAS drive the vehicle on their behalf. Providing a personalized human-like AD experience, tailored to match users' unique driving styles while adhering to safety prerequisites, presents a significant opportunity to boost the acceptance of AVs. This paper proposes a novel approach, Neural Driving Style Transfer (NDST), inspired by Neural Style Transfer (NST), to address this issue. NDST integrates a Personalized Block (PB) into the conventional Baseline Driving Model (BDM), allowing for the transfer of a user's unique driving style while adhering to safety parameters. The PB serves as a self-configuring system, learning and adapting to an individual's driving behavior without requiring modifications to the BDM. This approach enables the personalization of AV models, aligning the driving style more closely with user preferences while ensuring baseline safety critical actuation. Two contrasting driving styles (Style A and Style B) were used to validate the proposed NDST methodology, demonstrating its efficacy in transferring personal driving styles to the AV system. Our work highlights the potential of NDST to enhance user comfort in AVs by providing a personalized and familiar driving experience. The findings affirm the feasibility of integrating NDST into existing AV frameworks to bridge the gap between safety and individualized driving styles, promoting wider acceptance and improved user experiences.
- Abstract（参考訳）: オートマチック・ビークルズ(AV)とアドバンスト・ドライバー・アシスタント・システム(ADAS)は快適さよりも安全を優先している。
自律運転(AD)の有効性を確保する上で,安全と快適性の相互関係が重要な要素として浮上する。
AVやADASが自分の代わりに車を運転するとき、ユーザーは不快感を感じることが多い。
パーソナライズされた人間ライクなAD体験を提供することは、安全の前提条件に固執しながら、ユーザのユニークな運転スタイルに合うように調整され、AVの受け入れを促進する重要な機会を提供する。
本稿では,ニューラル・ドライビング・スタイル・トランスファー (NDST) を用いたニューラル・ドライビング・スタイル・トランスファー (NDST) を提案する。
NDSTはパーソナライズドブロック(PB)を従来のベースライン駆動モデル(BDM)に統合し、安全パラメータに固執しながらユーザーのユニークな運転スタイルの転送を可能にする。
PBは自己設定システムとして機能し、BDMの変更を必要とせず、個人の運転行動に適応し、学習する。
このアプローチにより、AVモデルのパーソナライズが可能となり、運転スタイルがユーザの好みとより密に一致し、ベースラインの安全クリティカルなアクティベーションが保証される。
2つの対照的な運転スタイル(スタイルAとスタイルB)を用いて提案したNDST法を検証し、個人運転スタイルをAVシステムに転送する効果を実証した。
我々の研究は、パーソナライズされた慣れ親しんだ運転体験を提供することで、AVのユーザー快適性を高めるNDSTの可能性を強調している。
その結果,NDSTを既存のAVフレームワークに組み込むことで,安全と個別運転スタイルのギャップを埋めることが可能であることが確認された。
関連論文リスト
- Physical Backdoor Attack can Jeopardize Driving with Vision-Large-Language Models [53.701148276912406]
Vision-Large-Language-models (VLMs) は自動運転において大きな応用可能性を持っている。
BadVLMDriverは、物理的オブジェクトを使用して実際に起動できる自動運転のためのVLMに対する最初のバックドア攻撃である。
BadVLMDriverは、赤い風船を持った歩行者に突如、加速を誘導する攻撃の成功率を92%達成する。
論文 参考訳（メタデータ） (2024-04-19T14:40:38Z) - Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics [0.0]
AVユーザエクスペリエンスを改善するために提案されたモデルは、複数の連結自動運転車のハイブリッドAVネットワークを使用する。
この問題の真の最適解決策は、AVネットワークにおける車両の自動誘導システムを開発することである。
結果は分析され、解の有効性を評価し、ギャップと将来の拡張を識別するために比較される。
論文 参考訳（メタデータ） (2024-03-17T18:21:56Z) - Identifying Reaction-Aware Driving Styles of Stochastic Model Predictive
Controlled Vehicles by Inverse Reinforcement Learning [7.482319659599853]
自動運転車の運転スタイルは、他のAVとの動作と相互作用の仕方を指す。
多車種自律運転システムにおいて、近くのAVの運転スタイルを識別できるAVは、衝突のリスクを確実に評価することができる。
論文 参考訳（メタデータ） (2023-08-23T11:31:50Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - MAVERIC: A Data-Driven Approach to Personalized Autonomous Driving [7.856998585396421]
自動運転車(AV)のパーソナライゼーションは、信頼、使用、受け入れを著しく増加させる可能性がある。
特に、エンドユーザの運転スタイルとAVの運転スタイルの類似性は、エンドユーザのAV使用意欲に大きな影響を与えると仮定する。
論文 参考訳（メタデータ） (2023-01-20T14:14:49Z) - 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) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z) - A Cooperation-Aware Lane Change Method for Autonomous Vehicles [16.937363492078426]
本稿では,車両間の相互作用を利用した協調型車線変更手法を提案する。
まず,AVと他者間の協調の可能性を探るため,対話的な軌道予測手法を提案する。
次に,モデル予測制御(MPC)に基づく動作計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-26T04:45:45Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z) - Learning Personalized Discretionary Lane-Change Initiation for Fully
Autonomous Driving Based on Reinforcement Learning [11.54360350026252]
著者らは,完全自律走行車に対する選択車線変更開始の個別的戦術を学習する新しい方法を提案する。
交通状況や自動運転車の動作,車内ユーザのフィードバックから車線変更の開始方法を学ぶために,強化学習技術が使用されている。
論文 参考訳（メタデータ） (2020-10-29T06:21:23Z)
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。