論文の概要: Methods to Estimate Advanced Driver Assistance System Penetration Rates in the United States
- arxiv url: http://arxiv.org/abs/2408.00819v1
- Date: Thu, 1 Aug 2024 17:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 15:40:20.117603
- Title: Methods to Estimate Advanced Driver Assistance System Penetration Rates in the United States
- Title（参考訳）: 米国における先進運転支援システムの浸透率推定手法
- Authors: Noah Goodall,
- Abstract要約: 本稿では,米国における高度運転支援システム(ADAS)搭載車両の割合を推定する方法を検討する。
2022年、車両の8%から25%に様々なADAS機能が搭載されたが、実際の使用率は運転者の不活性化により低下した。
本研究は,事故データの解析,イベントデータレコーダ機能の拡張,自然主義運転研究の実施,メーカーとの協力による設置率の決定など,予測を向上する戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advanced driver assistance systems (ADAS) are increasingly prevalent in the vehicle fleet, significantly impacting safety and capacity. Transportation agencies struggle to plan for these effects as ADAS availability is not tracked in vehicle registration databases. This paper examines methods to leverage existing public reports and databases to estimate the proportion of vehicles equipped with or utilizing Levels 1 and 2 ADAS technologies in the United States. Findings indicate that in 2022, between 8% and 25% of vehicles were equipped with various ADAS features, though actual usage rates were lower due to driver deactivation. The study proposes strategies to enhance estimates, including analyzing crash data, expanding event data recorder capabilities, conducting naturalistic driving studies, and collaborating with manufacturers to determine installation rates.
- Abstract（参考訳）: 高度な運転支援システム(ADAS)は、車両群でますます普及し、安全性と能力に大きな影響を与えている。
ADASは車両登録データベースに登録されていないため、交通機関はこれらの効果を計画するのに苦労している。
本稿では,米国におけるレベル1および2ADAS技術を利用する車両の割合を推定するために,既存の公報やデータベースを活用する手法について検討する。
2022年には、車両の8%から25%が様々なADAS機能を備えていたが、実際の使用率は運転者の不活性化により低下していた。
本研究は,事故データの解析,イベントデータレコーダ機能の拡張,自然主義的な運転研究の実施,メーカーとの協力による設置率の決定など,予測を強化する戦略を提案する。
関連論文リスト
- A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。
また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。
その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文 参考訳（メタデータ） (2024-01-24T23:11:11Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - Comparability of Automated Vehicle Crash Databases [0.0]
規制当局と開発者は、自動走行車の衝突率とベースライン、人間主導の衝突率を比較する。
データベース間のクラッシュレートは、もしあれば、大きなフィルタリングと正規化のみと直接比較することができる。
論文 参考訳（メタデータ） (2023-08-01T16:23:06Z) - A Survey of Federated Learning for Connected and Automated Vehicles [2.348805691644086]
コネクテッド・アンド・オートマチック・ビークルズ(CAV)は、自動車分野における新興技術の1つである。
フェデレートラーニング(FL)は、複数の車両との協調モデル開発を可能にするCAVの効果的なソリューションである。
論文 参考訳（メタデータ） (2023-03-19T14:44:37Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳（メタデータ） (2022-07-30T16:23:45Z) - 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) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Learning by Watching [7.785051236155595]
観察による学習(LbW)は、国家や専門家の行動の知識を必要とせず、運転方針を学習することができる。
LbWは、エゴ車両の観察を視界に変換することで、あるシーンにおける他の車両のデモンストレーションを利用する。
我々のLbWエージェントは、データ効率のよい学習を可能にしながら、より堅牢な運転ポリシーを学びます。
論文 参考訳（メタデータ） (2021-06-10T17:58:34Z) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z) - The Devil is in the Details: Self-Supervised Attention for Vehicle
Re-Identification [75.3310894042132]
車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。
我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
論文 参考訳（メタデータ） (2020-04-14T02:24:47Z)
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。