論文の概要: Reliable Heading Tracking for Pedestrian Road Crossing Prediction Using Commodity Devices
- arxiv url: http://arxiv.org/abs/2410.06400v1
- Date: Tue, 8 Oct 2024 22:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 05:59:12.494656
- Title: Reliable Heading Tracking for Pedestrian Road Crossing Prediction Using Commodity Devices
- Title（参考訳）: コモディティデバイスを用いた歩行者道路横断予測のための信頼性の高いヘッドトラッキング
- Authors: Yucheng Yang, Jingjie Li, Kassem Fawaz,
- Abstract要約: 我々は,移動中にスマートフォンを振り回すなどの習慣により,スマートフォンを一定の方法で携帯する傾向にある,という重要な洞察を生かした新たな方向追跡アルゴリズム,Orientation-Heading Alignment (OHA)を提案する。
我々は、歩行者が道路利用者の安全を改善するために道路を横断しようとしている時期を予測するという、困難な課題にOHAを適用した。
評価の結果、OHAは既存の手法に比べて9つのシナリオで3.4倍小さい方向誤差を達成できた。
- 参考スコア（独自算出の注目度）: 17.213711945639847
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pedestrian heading tracking enables applications in pedestrian navigation, traffic safety, and accessibility. Previous works, using inertial sensor fusion or machine learning, are limited in that they assume the phone is fixed in specific orientations, hindering their generalizability. We propose a new heading tracking algorithm, the Orientation-Heading Alignment (OHA), which leverages a key insight: people tend to carry smartphones in certain ways due to habits, such as swinging them while walking. For each smartphone attitude during this motion, OHA maps the smartphone orientation to the pedestrian heading and learns such mappings efficiently from coarse headings and smartphone orientations. To anchor our algorithm in a practical scenario, we apply OHA to a challenging task: predicting when pedestrians are about to cross the road to improve road user safety. In particular, using 755 hours of walking data collected since 2020 from 60 individuals, we develop a lightweight model that operates in real-time on commodity devices to predict road crossings. Our evaluation shows that OHA achieves 3.4 times smaller heading errors across nine scenarios than existing methods. Furthermore, OHA enables the early and accurate detection of pedestrian crossing behavior, issuing crossing alerts 0.35 seconds, on average, before pedestrians enter the road range.
- Abstract（参考訳）: 歩行者の方向追跡は、歩行者ナビゲーション、交通安全、アクセシビリティの応用を可能にする。
従来、慣性センサーの融合や機械学習を使った研究は、スマートフォンが特定の方向で固定されていると仮定することで、その一般化を妨げていた。
我々は,移動中にスマートフォンを振り回すなどの習慣により,スマートフォンを一定の方法で携帯する傾向にある,という重要な洞察を生かした新しい方向追跡アルゴリズム,Orientation-Heading Alignment (OHA)を提案する。
この動作中のスマートフォンの姿勢について、OHAはスマートフォンの向きを歩行者の向きにマッピングし、粗い方向やスマートフォンの向きから効率的に学習する。
実際のシナリオでアルゴリズムを固定するために、道路利用者の安全を改善するために歩行者が道路を横断しようとしている時期を予測するという、難しいタスクにOHAを適用します。
特に、2020年以降に60人の個人から収集された755時間の歩行データを用いて、道路横断をリアルタイムで予測する軽量なモデルを構築した。
評価の結果、OHAは既存の手法に比べて9つのシナリオで3.4倍小さい方向誤差を達成できた。
さらに、OHAは歩行者の横断行動の早期かつ正確な検出を可能にし、歩行者が道路範囲に入る前に平均で0.35秒の横断警報を発する。
関連論文リスト
- 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) - CHAMP: Crowdsourced, History-Based Advisory of Mapped Pedestrians for
Safer Driver Assistance Systems [0.0]
CHAMP (Crowdsourced, History-based Advisories of Mapped Pedestrians) は歩行者ゾーンを学習し、車両が歩行者に近づいているときに助言通知を生成する。
我々はカリフォルニア州ラ・ジョラで歩行者データを収集し、慎重にアノテートし、歩行者位置のトレーニングとテストセットを構築した。
この手法は、実験データセット上で最大100%の精度と75%のリコールを達成するように調整することができる。
論文 参考訳（メタデータ） (2023-01-14T07:28:05Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - Pedestrian Detection: Domain Generalization, CNNs, Transformers and
Beyond [82.37430109152383]
その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。
限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。
本稿では、一般化を改善する進歩的な微調整戦略を提案する。
論文 参考訳（メタデータ） (2022-01-10T06:00:26Z) - PSI: A Pedestrian Behavior Dataset for Socially Intelligent Autonomous
Car [47.01116716025731]
本稿では、IUPUI-CSRC Pedestrian Situated Intent(PSI)データと呼ばれる別のベンチマークデータセットを提案し、共有する。
最初の新しいラベルは、24人のドライバーによって達成されたエゴ車両の前を歩行者が横断する動的な意図の変化である。
2つ目は、歩行者の意図を推定し、その行動を予測するときに、運転者の推論プロセスに関するテキストベースの説明である。
論文 参考訳（メタデータ） (2021-12-05T15:54:57Z) - Coupling Intent and Action for Pedestrian Crossing Behavior Prediction [25.54455403877285]
本研究では, 歩行者の横断行動について, 未観測の内的意志と多種多様な行動の組み合わせとして定義するために, 神経科学と心理学の文献に従う。
将来の歩行者行動を予測し、予測された将来の行動を事前に利用し、歩行者の現在の意図と行動を検出する新しいマルチタスクネットワークを提示する。
論文 参考訳（メタデータ） (2021-05-10T06:26:25Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳（メタデータ） (2021-01-07T06:08:21Z) - Single Shot Multitask Pedestrian Detection and Behavior Prediction [9.147707153504117]
カメラに基づく歩行者検出と意図予測を行うための空間時空間マルチタスキングを用いた新しいアーキテクチャを提案する。
提案手法は,全歩行者の意図を単一ショットで検出し,予測することにより,遅延を著しく低減する。
論文 参考訳（メタデータ） (2021-01-06T19:10:23Z) - Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。
本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。
この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文 参考訳（メタデータ） (2020-10-20T13:42:31Z) - VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable
Road Users [3.6265173818019947]
本稿では、歩行者行動の予測、横断意図の予測、ビデオシーケンスからの将来の経路予測のためのマルチタスク学習モデルを提案する。
我々は、行動アノテーションや実世界のシナリオに富んだ、オープンソースのJAADデータセットを自然言語で駆動するモデルを訓練しました。
実験結果からJAADデータセットの最先端性能が示された。
論文 参考訳（メタデータ） (2020-07-10T14:02:25Z) - Decoding pedestrian and automated vehicle interactions using immersive
virtual reality and interpretable deep learning [6.982614422666432]
本研究では,自動走行車の存在による影響が期待される都市動態の重要な要素として,歩行者の横断行動について検討する。
歩行者の待ち時間はデータ駆動のCox Proportional Hazards(CPH)モデルを用いて分析される。
その結果,道路上の自動走行車の存在,広い車線幅,道路上の高密度化,観光距離の制限,歩行習慣の欠如が待ち時間の主な要因であることが示唆された。
論文 参考訳（メタデータ） (2020-02-18T01:30:29Z)
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。