論文の概要: A quantitative model of takeover request time budget for conditionally automated driving
- arxiv url: http://arxiv.org/abs/2408.15682v1
- Date: Wed, 28 Aug 2024 10:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-29 16:21:03.629190
- Title: A quantitative model of takeover request time budget for conditionally automated driving
- Title（参考訳）: 条件付き自動運転におけるテイクオーバー要求時間予算の定量的モデル
- Authors: Foghor Tanshi, Dirk Söffker,
- Abstract要約: テイクオーバ要求後の運転再開に必要な時間予算は、状況や異なるテイクオーバ変数によって異なる。
提案式は, 個別刺激応答時間, 運転経験, シナリオ固有の要件を統合し, テイクオーバー操作の安全性を高める。
- 参考スコア（独自算出の注目度）: 2.8084422332394428
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In conditional automation, the automated driving system assumes full control and only issues a takeover request to a human driver to resume driving in critical situations. Previous studies have concluded that the time budget required by drivers to resume driving after a takeover request varies with situations and different takeover variables. However, no comprehensive generalized approaches for estimating in advance the time budget required by drivers to takeover have been provided. In this contribution, fixed (7 s) and variable time budgets (6 s, 5 s, and 4 s) with and without visual imagery assistance were investigated for suitability in three takeover scenarios using performance measures such as average lateral displacement. The results indicate that 7 s is suitable for two of the studied scenarios based on their characteristics. Using the obtained results and known relations between takeover variables, a mathematical formula for estimating takeover request time budget is proposed. The proposed formula integrates individual stimulus response time, driving experience, scenario specific requirements and allows increased safety for takeover maneuvers. Furthermore, the visual imagery resulted in increased takeover time which invariably increases the time budget. Thus the time demand of the visualized information if applicable (such as visual imagery) should be included in the time budget.
- Abstract（参考訳）: 条件付き自動化では、自動運転システムは完全な制御を前提とし、重要な状況で運転を再開するために人間の運転者に乗っ取り要求を発行するのみである。
以前の研究では、乗務員が乗務員の乗車要求後に運転を再開するために必要な時間予算は、状況や異なる乗務員変数によって異なると結論付けている。
しかし、乗っ取りに要する時間予算を事前に見積もるための総合的なアプローチは提供されていない。
本研究は,視力補助を伴わない固定時間(7秒,5秒,4秒)と可変時間(6秒,5秒,4秒)を,平均側方変位などの性能測定値を用いて3つのテイクオーバシナリオに適用可能か検討した。
その結果, 7 s が2つのシナリオに適していることが示唆された。
得られた結果とテイクオーバ変数間の既知の関係を利用して, テイクオーバ要求時間予算を推定する数学的公式を提案する。
提案式は, 個別刺激応答時間, 運転経験, シナリオ固有の要件を統合し, テイクオーバー操作の安全性を高める。
さらに、視覚的なイメージはテイクオーバ時間を増大させ、時間予算を必然的に増加させる結果となった。
したがって、適用可能な場合の可視化情報の時間要求(画像など)は、時間予算に含める必要がある。
関連論文リスト
- Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。
観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。
本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
論文 参考訳（メタデータ） (2024-02-10T14:56:36Z) - Deep reinforcement learning for the dynamic vehicle dispatching problem:
An event-based approach [0.0]
この問題を半マルコフ決定プロセスとしてモデル化することで、時間を連続的に扱うことができます。
イベントベースのアプローチは決定空間の複雑さを大幅に減らし、離散時間モデルの他の制限を克服する、と我々は主張する。
その結果、我々の政策は平均待ち時間、キャンセル率、サービス全体の時間に優れており、他のテスト済みのポリシーと比較して最大50%の削減が期待できることがわかった。
論文 参考訳（メタデータ） (2023-07-13T16:29:25Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Multiagent Reinforcement Learning for Autonomous Routing and Pickup
Problem with Adaptation to Variable Demand [1.8505047763172104]
都市の地図に現れる要求に対処する自律走行車両群に対して、ルーティング/ピックポリシーを生成するための学習枠組みを導出する。
当社は、車両間の協調を促す政策に焦点を合わせ、要求の待ち時間を短縮する。
本稿では、現在の需要が元の妥当性領域外にある場合に、トレーニング済みのオフライン近似を切り替えるメカニズムを提案する。
論文 参考訳（メタデータ） (2022-11-28T01:11:11Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。
以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。
メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
論文 参考訳（メタデータ） (2021-07-20T15:01:49Z) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z) - Equilibrium Inverse Reinforcement Learning for Ride-hailing Vehicle
Network [1.599072005190786]
疎結合グラフにおける客車マッチングの問題を定式化する。
マルチエージェント環境における平衡ポリシを導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-13T03:18:44Z) - Generalizing Decision Making for Automated Driving with an Invariant
Environment Representation using Deep Reinforcement Learning [55.41644538483948]
現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。
本研究では,エゴ車の観点から不変環境表現を提案する。
この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
論文 参考訳（メタデータ） (2021-02-12T20:37:29Z) - 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) - A Distributed Model-Free Ride-Sharing Approach for Joint Matching,
Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。
我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。
実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2020-10-05T03:13:47Z)
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。