論文の概要: VTD: Visual and Tactile Database for Driver State and Behavior Perception
- arxiv url: http://arxiv.org/abs/2412.04888v1
- Date: Fri, 06 Dec 2024 09:31:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:55:32.810930
- Title: VTD: Visual and Tactile Database for Driver State and Behavior Perception
- Title(参考訳): VTD:ドライバの状態と行動認識のための視覚および触覚データベース
- Authors: Jie Wang, Mobing Cai, Zhongpan Zhu, Hongjun Ding, Jiwei Yi, Aimin Du,
- Abstract要約: 本稿では,運転状態とインタラクション行動の主観的不確実性に対処する新しい視覚触覚認識手法を提案する。
疲労および散逸条件下でのマルチモーダルデータを包含する包括的データセットを開発した。
- 参考スコア(独自算出の注目度): 1.6277623188953556
- License:
- Abstract: In the domain of autonomous vehicles, the human-vehicle co-pilot system has garnered significant research attention. To address the subjective uncertainties in driver state and interaction behaviors, which are pivotal to the safety of Human-in-the-loop co-driving systems, we introduce a novel visual-tactile perception method. Utilizing a driving simulation platform, a comprehensive dataset has been developed that encompasses multi-modal data under fatigue and distraction conditions. The experimental setup integrates driving simulation with signal acquisition, yielding 600 minutes of fatigue detection data from 15 subjects and 102 takeover experiments with 17 drivers. The dataset, synchronized across modalities, serves as a robust resource for advancing cross-modal driver behavior perception algorithms.
- Abstract(参考訳): 自動運転車の分野では、人間と車両の共同操縦システムが大きな研究の注目を集めている。
運転状態と対話行動の主観的不確実性に対処するため,新しい視覚触覚認識手法を提案する。
運転シミュレーションプラットフォームを利用することで、疲労や気晴らしの条件下でのマルチモーダルデータを含む包括的なデータセットが開発された。
実験装置は、運転シミュレーションと信号取得を統合し、被験者15名から600分間の疲労検出データと、17名のドライバーによる102回の乗っ取り実験が得られた。
このデータセットは、モダリティ間で同期し、クロスモーダルドライバーの行動認識アルゴリズムを前進させるための堅牢なリソースとして機能する。
関連論文リスト
- Driver Assistance System Based on Multimodal Data Hazard Detection [0.0]
本稿では,マルチモーダル運転支援システムを提案する。
道路状況映像、ドライバーの顔映像、音声データを統合して、インシデント認識の精度を高める。
論文 参考訳(メタデータ) (2025-02-05T09:02:39Z) - DISC: Dataset for Analyzing Driving Styles In Simulated Crashes for Mixed Autonomy [13.365522429680547]
DISC(Driving Styles In Simulated Crashes)は、混合自律分析のための事前クラッシュシナリオで駆動スタイルをキャプチャする最初のデータセットの1つである。
DISCには、シミュレートされた車両をナビゲートする数百人のドライバーの運転スタイル/行動のクラスが8以上含まれている。
データは、12のシミュレートされた事故シナリオに遭遇する人間のドライバーに関するドライバー中心の研究を通じて収集された。
論文 参考訳(メタデータ) (2025-01-28T15:45:25Z) - Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳(メタデータ) (2024-11-04T09:21:00Z) - Federated Learning for Drowsiness Detection in Connected Vehicles [0.19116784879310028]
ドライバー監視システムは、ドライバーの状態を決定するのを助けることができる。
ドライバーの眠気検出は潜在的な解決策を示す。
モデルトレーニングのためにデータを中央マシンに送信するのは、大規模なデータサイズとプライバシの懸念のため、現実的ではありません。
本稿では,YawDDデータセットを活用して,車両ネットワーク内での眠気検出のためのフェデレート学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-06T09:39:13Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳(メタデータ) (2022-08-10T19:59:16Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳(メタデータ) (2021-11-23T20:14:02Z) - Autonomous Vehicles that Alert Humans to Take-Over Controls: Modeling
with Real-World Data [11.007092387379076]
本研究は,運転状態の文脈的意味的表現の開発に焦点を当てた。
自律型エージェントの乗っ取り制御を参加者に指示する大規模な実世界制御データスタディを実施します。
これらのテイクオーバーイベントは、複数のドライバー向けカメラを使用してキャプチャされ、ラベル付けされると、コントロール遷移のデータセットと対応するテイクオーバー時間(tot)が生成される。
このデータセットを拡張後、異なるドライバ向けカメラビューで動作するコンピュータビジョンアルゴリズムが生成する低レベルと中レベルの機能でシーケンシャルに動作するtotモデルを開発・訓練する。
論文 参考訳(メタデータ) (2021-04-23T09:16:53Z)
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。