論文の概要: Continual Learning for Behavior-based Driver Identification
- arxiv url: http://arxiv.org/abs/2412.10780v1
- Date: Sat, 14 Dec 2024 10:24:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:56:04.343576
- Title: Continual Learning for Behavior-based Driver Identification
- Title(参考訳): 行動に基づくドライバ識別のための連続学習
- Authors: Mattia Fanan, Davide Dalle Pezze, Emad Efatinasab, Ruggero Carli, Mirco Rampazzo, Gian Antonio Susto,
- Abstract要約: 行動に基づく運転者識別は、運転者の独特の運転行動に基づいて運転者を認識する新興技術である。
ほとんどの研究は、ディープ・ラーニング・モデルを車内に展開するという現実的な課題を考慮に入れていない。
これらの課題には、限られた計算リソースの下での運用、新しいドライバへの適応、時間の経過とともにの運転行動の変化などが含まれる。
- 参考スコア(独自算出の注目度): 5.560336593474866
- License:
- Abstract: Behavior-based Driver Identification is an emerging technology that recognizes drivers based on their unique driving behaviors, offering important applications such as vehicle theft prevention and personalized driving experiences. However, most studies fail to account for the real-world challenges of deploying Deep Learning models within vehicles. These challenges include operating under limited computational resources, adapting to new drivers, and changes in driving behavior over time. The objective of this study is to evaluate if Continual Learning (CL) is well-suited to address these challenges, as it enables models to retain previously learned knowledge while continually adapting with minimal computational overhead and resource requirements. We tested several CL techniques across three scenarios of increasing complexity based on the well-known OCSLab dataset. This work provides an important step forward in scalable driver identification solutions, demonstrating that CL approaches, such as DER, can obtain strong performance, with only an 11% reduction in accuracy compared to the static scenario. Furthermore, to enhance the performance, we propose two new methods, SmooER and SmooDER, that leverage the temporal continuity of driver identity over time to enhance classification accuracy. Our novel method, SmooDER, achieves optimal results with only a 2% reduction compared to the 11\% of the DER approach. In conclusion, this study proves the feasibility of CL approaches to address the challenges of Driver Identification in dynamic environments, making them suitable for deployment on cloud infrastructure or directly within vehicles.
- Abstract(参考訳): 行動に基づく運転識別は、運転者の独特の運転行動に基づいて運転者を認識する新興技術であり、車両盗難防止やパーソナライズされた運転経験などの重要な応用を提供する。
しかし、ほとんどの研究は、ディープラーニングモデルを車内に展開するという現実的な課題を考慮に入れていない。
これらの課題には、限られた計算リソースの下での運用、新しいドライバへの適応、時間の経過とともにの運転行動の変化などが含まれる。
本研究の目的は,モデルが学習した知識を最小限の計算オーバーヘッドとリソース要求に順応しながら保持できるので,継続学習(CL)がこれらの課題に対処するのに適しているかどうかを評価することである。
我々は、よく知られたOCSLabデータセットに基づいて、複雑さを増大させる3つのシナリオでいくつかのCLテクニックをテストした。
この研究は、スケーラブルなドライバ識別ソリューションにおいて重要な一歩を踏み出し、DERのようなCLアプローチが、静的シナリオと比較して11%の精度で、強力なパフォーマンスを得ることができることを示した。
さらに、性能を向上させるために、時間とともにドライバーの識別の時間的連続性を活用して分類精度を高める2つの新しい手法、SmooERとSmooDERを提案する。
新たな手法であるSmooDERは, DER手法の11%に比べて2%の削減率で最適な結果が得られる。
結論として,本研究では,動的環境におけるドライバ識別の課題に対処するためのCLアプローチの実現可能性を示す。
関連論文リスト
- TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。
自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
論文 参考訳(メタデータ) (2025-02-03T14:22:03Z) - Good Data Is All Imitation Learning Needs [13.26174103650211]
本稿では,エンド・ツー・エンド自動運転システムのための新しいデータ拡張手法として,CFE(Counterfactual Explanations)を導入する。
CFEは、意思決定境界付近でトレーニングサンプルを生成することによって、専門家のドライバ戦略をより包括的な表現に導く。
CARLAシミュレータによる実験により,CF-Driverは現在の最先端手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-09-26T07:43:12Z) - MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳(メタデータ) (2024-06-23T15:30:40Z) - Dual Policy Reinforcement Learning for Real-time Rebalancing in Bike-sharing Systems [13.083156894368532]
自転車シェアリングシステムは、交通渋滞を緩和し、より健康的なライフスタイルを促進する上で重要な役割を担っている。
本研究では,車両群によるリアルタイムリバランス問題に対処するための新しいアプローチを提案する。
在庫とルーティングの決定を分離する、二重ポリシー強化学習アルゴリズムを採用している。
論文 参考訳(メタデータ) (2024-06-02T21:05:23Z) - Accelerating the Evolution of Personalized Automated Lane Change through Lesson Learning [21.89687882922275]
高度運転支援システムの普及にはパーソナライゼーションが不可欠である。
ユーザの好みに合わせて、オンラインの進化能力は必須です。
本稿では,ドライバーの乗っ取り介入から学ぶ授業学習アプローチを提案する。
論文 参考訳(メタデータ) (2024-05-13T08:25:45Z) - Deep Reinforcement Learning for Autonomous Vehicle Intersection
Navigation [0.24578723416255746]
強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。
そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。
提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2023-09-30T10:54:02Z) - 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) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - A Novel Driver Distraction Behavior Detection Method Based on
Self-supervised Learning with Masked Image Modeling [5.1680226874942985]
ドライバーの注意散らしは、毎年かなりの数の交通事故を引き起こし、経済的な損失と損失をもたらす。
ドライバの障害検出は、主に従来の畳み込みニューラルネットワーク(CNN)と教師あり学習法に依存している。
本稿では,運転者の気晴らし行動検出のためのマスク付き画像モデリングに基づく自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T10:53:32Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。
本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。
提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
論文 参考訳(メタデータ) (2022-12-05T08:25:09Z) - CLUTR: Curriculum Learning via Unsupervised Task Representation Learning [130.79246770546413]
CLUTRは、タスク表現とカリキュラム学習を2段階最適化に分離する、新しいカリキュラム学習アルゴリズムである。
CLUTRは、CarRacingとナビゲーション環境における一般化とサンプル効率の観点から、原則的かつ一般的なUED手法であるPAIREDよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-19T01:45:29Z)
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。