論文の概要: PhysDrive: A Multimodal Remote Physiological Measurement Dataset for In-vehicle Driver Monitoring

• arxiv url: http://arxiv.org/abs/2507.19172v1
• Date: Fri, 25 Jul 2025 11:23:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.93092
• Title: PhysDrive: A Multimodal Remote Physiological Measurement Dataset for In-vehicle Driver Monitoring
• Title（参考訳）: PhysDrive:車内モニタリングのためのマルチモーダルリモート生理計測データセット
• Authors: Jiyao Wang, Xiao Yang, Qingyong Hu, Jiankai Tang, Can Liu, Dengbo He, Yuntao Wang, Yingcong Chen, Kaishun Wu,
• Abstract要約: PhysDriveは、接触のない車内生理学的センシングのための最初の大規模マルチモーダルデータセットである。 運転者の動き、動的な自然光、車両の種類、道路条件など、幅広い自然主義的な運転条件をカバーしている。
• 参考スコア（独自算出の注目度）: 30.242706543653497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust and unobtrusive in-vehicle physiological monitoring is crucial for ensuring driving safety and user experience. While remote physiological measurement (RPM) offers a promising non-invasive solution, its translation to real-world driving scenarios is critically constrained by the scarcity of comprehensive datasets. Existing resources are often limited in scale, modality diversity, the breadth of biometric annotations, and the range of captured conditions, thereby omitting inherent real-world challenges in driving. Here, we present PhysDrive, the first large-scale multimodal dataset for contactless in-vehicle physiological sensing with dedicated consideration on various modality settings and driving factors. PhysDrive collects data from 48 drivers, including synchronized RGB, near-infrared camera, and raw mmWave radar data, accompanied with six synchronized ground truths (ECG, BVP, Respiration, HR, RR, and SpO2). It covers a wide spectrum of naturalistic driving conditions, including driver motions, dynamic natural light, vehicle types, and road conditions. We extensively evaluate both signal-processing and deep-learning methods on PhysDrive, establishing a comprehensive benchmark across all modalities, and release full open-source code with compatibility for mainstream public toolboxes. We envision PhysDrive will serve as a foundational resource and accelerate research on multimodal driver monitoring and smart-cockpit systems.
• Abstract（参考訳）: 運転安全性とユーザエクスペリエンスを確保するためには、ロバストで控えめな車内生理的モニタリングが不可欠である。 遠隔生理計測(RPM)は有望な非侵襲的なソリューションを提供するが、実際の運転シナリオへの変換は包括的データセットの不足によって著しく制約される。 既存の資源は、しばしばスケール、モダリティの多様性、生体計測アノテーションの幅、捕獲された条件の範囲に制限され、それによって運転における固有の現実世界の課題を省略する。 本稿では,接触のない車内生理学的センシングのための最初の大規模マルチモーダルデータセットであるPhysDriveについて紹介する。 PhysDriveは、同期RGB、近赤外線カメラ、生のmmWaveレーダーデータを含む48人のドライバーからデータを収集し、6つの同期地上真実(ECG、BVP、Respiration、HR、RR、SpO2)を伴っている。 運転者の動き、動的な自然光、車両の種類、道路条件など、幅広い自然主義的な運転条件をカバーしている。 我々は、PhysDrive上の信号処理とディープラーニングの両方の手法を広く評価し、すべてのモダリティにわたる包括的なベンチマークを確立し、主要な公開ツールボックスと互換性のある完全なオープンソースコードをリリースした。 我々は、PhysDriveが基本的なリソースとして機能し、マルチモーダルドライバ監視とスマートコックピットシステムの研究を加速することを期待している。

関連論文リスト

• Visual Dominance and Emerging Multimodal Approaches in Distracted Driving Detection: A Review of Machine Learning Techniques [3.378738346115004]
  引き離された運転は、世界中の道路交通事故と死者の大きな原因であり続けている。 機械学習(ML)とディープラーニング(DL)の最近の進歩は、主に注意散逸を検出する視覚データに焦点を当てている。 本稿では,ML/DL技術を用いた視覚的,センサベース,マルチモーダル,新興モダリティを横断する運転検出のための74つの研究を体系的に評価する。
  論文  参考訳（メタデータ） (2025-05-04T02:51:00Z)
• VTD: Visual and Tactile Database for Driver State and Behavior Perception [1.6277623188953556]
  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。
  論文  参考訳（メタデータ） (2024-12-06T09:31:40Z)
• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• Efficient Mixture-of-Expert for Video-based Driver State and Physiological Multi-task Estimation in Conditional Autonomous Driving [12.765198683804094]
  道路の安全は世界中で重要な課題であり、交通事故による死者は約135万人である。 VDMoEと呼ばれる新しいマルチタスクDMSを提案し、RGBビデオ入力を利用して運転状態を非侵襲的に監視する。
  論文  参考訳（メタデータ） (2024-10-28T14:49:18Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
  本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:52Z)
• OpenDriver: An Open-Road Driver State Detection Dataset [13.756530418314227]
  本稿では,運転状態検出のための大規模マルチモーダル運転データセット OpenDriver を提案する。 OpenDriverは合計3,278回の運転で、信号収集期間は約4,600時間である。
  論文  参考訳（メタデータ） (2023-04-09T10:08:38Z)
• 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)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
  視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である 十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。 本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
  論文  参考訳（メタデータ） (2020-08-27T12:33:54Z)
• Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion [16.018962965273495]
  全日と全天候のナビゲーションは、自動運転にとって重要な機能である。 本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。 その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2020-05-05T03:48:10Z)

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。