論文の概要: Towards Infant Sleep-Optimized Driving: Synergizing Wearable and Vehicle Sensing in Intelligent Cruise Control
- arxiv url: http://arxiv.org/abs/2506.06459v1
- Date: Fri, 06 Jun 2025 18:29:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 21:10:47.032413
- Title: Towards Infant Sleep-Optimized Driving: Synergizing Wearable and Vehicle Sensing in Intelligent Cruise Control
- Title（参考訳）: 幼児の睡眠最適化運転に向けて:知的クルーズ制御におけるウェアラブルと車両センシングの相乗化
- Authors: Ruitao Chen, Mozhang Guo, Jinge Li,
- Abstract要約: 自動運転(AD)は車の安全性と運転の快適性を大幅に向上させたが、乗客の健康、特に幼児の睡眠への影響は十分に研究されていない。
本稿では,運転行動のパーソナライズと,利用者の快適さと旅行効率の最適なバランスをとるために,AD内における強化学習(RL)の統合について検討する。
幼児の睡眠の質を高めるため,様々な運転条件に適応するインテリジェントクルーズ制御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）: 1.5361702135159845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated driving (AD) has substantially improved vehicle safety and driving comfort, but their impact on passenger well-being, particularly infant sleep, is not sufficiently studied. Sudden acceleration, abrupt braking, and sharp maneuvers can disrupt infant sleep, compromising both passenger comfort and parental convenience. To solve this problem, this paper explores the integration of reinforcement learning (RL) within AD to personalize driving behavior and optimally balance occupant comfort and travel efficiency. In particular, we propose an intelligent cruise control framework that adapts to varying driving conditions to enhance infant sleep quality by effectively synergizing wearable sensing and vehicle data. Long short-term memory (LSTM) and transformer-based neural networks are integrated with RL to model the relationship between driving behavior and infant sleep quality under diverse traffic and road conditions. Based on the sleep quality indicators from the wearable sensors, driving action data from vehicle controllers, and map data from map applications, the model dynamically computes the optimal driving aggressiveness level, which is subsequently translated into specific AD control strategies, e.g., the magnitude and frequency of acceleration, lane change, and overtaking. Simulation results demonstrate that the proposed solution significantly improves infant sleep quality compared to baseline methods, while preserving desirable travel efficiency.
- Abstract（参考訳）: 自動運転(AD)は車の安全性と運転の快適性を大幅に向上させたが、乗客の健康、特に幼児の睡眠への影響は十分に研究されていない。
急激な加速、急激なブレーキ、鋭い操作は幼児の睡眠を妨害し、乗客の快適さと親の利便性を損なう。
そこで本研究では,AD内における強化学習(RL)の統合による運転行動のパーソナライズと,利用者の快適性と移動効率の最適バランスについて検討する。
特に,ウェアラブルセンサと車両データとを効果的に相乗化することにより,幼児の睡眠の質を高めるために,様々な運転条件に適応するインテリジェントなクルーズ制御フレームワークを提案する。
長い短期記憶(LSTM)とトランスフォーマーベースのニューラルネットワークをRLに統合し、多様な交通環境と道路環境下での運転行動と乳幼児の睡眠品質の関係をモデル化する。
ウェアラブルセンサからの睡眠品質指標、車両コントローラからの行動データ、および地図アプリケーションからのマップデータに基づいて、モデルが動的に最適な運転攻撃性レベルを計算し、その後、特定のAD制御戦略、例えば加速度の大きさと頻度、車線変化、オーバーテイクに変換する。
シミュレーションの結果,提案手法は,所望の旅行効率を保ちながら,基本法に比べて乳幼児の睡眠の質を著しく向上することが示された。
関連論文リスト
- GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - 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) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - In-vehicle Sensing and Data Analysis for Older Drivers with Mild
Cognitive Impairment [0.8426358786287627]
本研究の目的は、高精度の位置決めとテレマティクスデータを得ることができる低コストの車内センシングハードウェアを設計することである。
軽度認知障害(MCI)と軽度認知障害(MCI)を比較した統計的分析の結果,MCIはよりスムーズで安全な運転パターンを示すことが明らかとなった。
我々のランダムフォレストモデルでは、夜間旅行の数、旅行数、教育がデータ評価に最も影響を及ぼす要因として特定されました。
論文 参考訳（メタデータ） (2023-11-15T15:47:24Z) - Identification of Adaptive Driving Style Preference through Implicit
Inputs in SAE L2 Vehicles [1.497563464566495]
本研究は,マルチモーダル信号を用いたユーザ運転スタイルの嗜好の同定を提案する。
被験者36名を対象に運転シミュレータ実験を行い, 行動, 生理, 状況データを含む広範囲なマルチモーダルデータを収集した。
そこで我々は、好みの運転スタイルを識別するための機械学習モデルを構築し、ユーザの好みを特定する上で、すべてのモダリティが重要であることを確認した。
論文 参考訳（メタデータ） (2022-09-21T17:56:21Z) - What's on your mind? A Mental and Perceptual Load Estimation Framework
towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。
これらの測定値の融合により、心的および知覚的負荷レベルを分類する。
我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
論文 参考訳（メタデータ） (2022-08-10T21:19:49Z) - 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) - Impact of Driving Behavior on Commuter's Comfort during Cab Rides:
Towards a New Perspective of Driver Rating [6.628247938896401]
タクシーでの通勤者の快適さは、ドライバーの格付けだけでなく、UberやLyftのような配車サービス会社の評判にも影響を及ぼす。
我々は、通勤者からスマートフォンセンサデータを収集し、そのデータから空間時系列の特徴を抽出し、運転に関する5点スケールで快適度を算出するシステムRidergoを開発した。
論文 参考訳（メタデータ） (2021-08-24T20:36:09Z) - SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for
Autonomous Vehicles Using Deep Reinforcement Learning [17.412117389855226]
SAINT-ACC:Setyaf-Aware Intelligent ACC system (SAINT-ACC) は、交通効率、運転安全性、運転快適性の同時最適化を実現するために設計された。
交通効率と運転安全・快適性の最適バランスを求めるために,新しい二重RLエージェントベースアプローチを開発した。
論文 参考訳（メタデータ） (2021-03-06T14:01:29Z) - Driver Drowsiness Classification Based on Eye Blink and Head Movement
Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。
この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。
最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文 参考訳（メタデータ） (2020-09-28T12:37:38Z)
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。