論文の概要: Optimal Driver Warning Generation in Dynamic Driving Environment
- arxiv url: http://arxiv.org/abs/2411.06306v1
- Date: Sat, 09 Nov 2024 23:04:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:07:48.887417
- Title: Optimal Driver Warning Generation in Dynamic Driving Environment
- Title（参考訳）: 動的運転環境における最適運転警告生成
- Authors: Chenran Li, Aolin Xu, Enna Sachdeva, Teruhisa Misu, Behzad Dariush,
- Abstract要約: 既存の運転警告技術は、人間のエラーによる衝突のリスクを低減することができる。
警告生成問題は部分的に観察されたマルコフ決定過程(POMDP)として定式化される
提案するPOMDPの解決策として,最適な警告生成フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.680694504513696
- License:
- Abstract: The driver warning system that alerts the human driver about potential risks during driving is a key feature of an advanced driver assistance system. Existing driver warning technologies, mainly the forward collision warning and unsafe lane change warning, can reduce the risk of collision caused by human errors. However, the current design methods have several major limitations. Firstly, the warnings are mainly generated in a one-shot manner without modeling the ego driver's reactions and surrounding objects, which reduces the flexibility and generality of the system over different scenarios. Additionally, the triggering conditions of warning are mostly rule-based threshold-checking given the current state, which lacks the prediction of the potential risk in a sufficiently long future horizon. In this work, we study the problem of optimally generating driver warnings by considering the interactions among the generated warning, the driver behavior, and the states of ego and surrounding vehicles on a long horizon. The warning generation problem is formulated as a partially observed Markov decision process (POMDP). An optimal warning generation framework is proposed as a solution to the proposed POMDP. The simulation experiments demonstrate the superiority of the proposed solution to the existing warning generation methods.
- Abstract（参考訳）: 運転中の潜在的なリスクについて人間ドライバーに警告する運転警告システムは、高度な運転支援システムの重要な特徴である。
既存の運転警告技術、主に前方衝突警告と安全でない車線変更警告は、人間のエラーによる衝突のリスクを低減することができる。
しかし、現在の設計手法にはいくつかの大きな制限がある。
第一に、警告は主にエゴドライバの反応や周囲のオブジェクトをモデル化せずにワンショットで生成され、異なるシナリオに対するシステムの柔軟性と汎用性を低下させる。
さらに、警告のトリガー条件は、現在の状態が十分に長期の地平線における潜在的なリスクの予測を欠いているため、ルールベースのしきい値チェックがほとんどである。
本研究では,発生警告と運転行動,エゴとその周辺車両の状態の相互作用を長い地平線上で考慮し,運転警告を最適に生成する問題について検討する。
警告生成問題は部分的に観察されたマルコフ決定過程(POMDP)として定式化される。
提案するPOMDPの解決策として,最適な警告生成フレームワークを提案する。
シミュレーション実験により,既存の警告生成手法に対する提案手法の優位性を実証した。
関連論文リスト
- Reducing Warning Errors in Driver Support with Personalized Risk Maps [1.4230646728710978]
本稿では,運転者の行動に基づいて,運転者のパーソナライズされた危険因子を推定する警告システムを提案する。
システムはその後、個人化されたリスクマップで警告信号を適応することができる。
論文 参考訳（メタデータ） (2024-10-03T02:13:40Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - Evaluation of Infrastructure-based Warning System on Driving Behaviors-A
Roundabout Study [7.992695585266211]
本稿では,インフラベースの警告が運転行動にどのように影響し,ラウンドアバウト安全性を向上するかを検討した。
ミシガンのアン・アーバー(Ann Arbor)にある現実世界のラウンドアラウンドアラウンドは、共同シミュレーションプラットフォームで研究エリアとして建設された。
警告を表示する際にドライバの停止判断を予測するために,個別の意図予測モデルを開発した。
論文 参考訳（メタデータ） (2023-12-06T20:31:22Z) - Considering Human Factors in Risk Maps for Robust and Foresighted Driver
Warning [1.4699455652461728]
本稿では,ドライバーエラーの形で人間の状態を利用する警告システムを提案する。
このシステムは、周囲の運転状況の予測を直接変更する行動プランナーのリスクマップで構成されている。
動的車線変化と交差点シナリオの異なるシミュレーションでは、運転者の行動計画がいかに危険になるかを示す。
論文 参考訳（メタデータ） (2023-06-06T16:39:58Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - 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) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳（メタデータ） (2022-03-15T22:10:01Z) - Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。
安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。
本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-28T23:00:30Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z) - Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk
Object Identification via Causal Inference [19.71459945458985]
運転者中心のリスク定義,すなわち運転者の行動に影響を与えるオブジェクトは危険である。
提案するオブジェクトレベルの操作可能な駆動モデルを用いた因果推論に基づく新しい2段階リスクオブジェクト識別フレームワークを提案する。
当社のフレームワークは,強力なベースラインに対するパフォーマンスを7.5%向上させています。
論文 参考訳（メタデータ） (2020-03-05T04:14:35Z)
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。