論文の概要: Facial Emotion Recognition does not detect feeling unsafe in automated driving
- arxiv url: http://arxiv.org/abs/2509.04490v1
- Date: Mon, 01 Sep 2025 11:27:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.329427
- Title: Facial Emotion Recognition does not detect feeling unsafe in automated driving
- Title（参考訳）: 自動運転における顔の感情認識は不安感を検知しない
- Authors: Abel van Elburg, Konstantinos Gkentsidis, Mathieu Sarrazin, Sarah Barendswaard, Varun Kotian, Riender Happee,
- Abstract要約: 信頼と認識された安全は、自動運転車の公的な受容において重要な役割を担っている。
認識リスクを理解するために,運転シミュレータを2種類の自動運転方式で実験した。
認識リスクを予測するために、車両の動きと皮膚のコンダクタンスを用いてニューラルネットワークモデルを実装した。
- 参考スコア（独自算出の注目度）: 2.447852879869483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trust and perceived safety play a crucial role in the public acceptance of automated vehicles. To understand perceived risk, an experiment was conducted using a driving simulator under two automated driving styles and optionally introducing a crossing pedestrian. Data was collected from 32 participants, consisting of continuous subjective comfort ratings, motion, webcam footage for facial expression, skin conductance, heart rate, and eye tracking. The continuous subjective perceived risk ratings showed significant discomfort associated with perceived risk during cornering and braking followed by relief or even positive comfort on continuing the ride. The dynamic driving style induced a stronger discomfort as compared to the calm driving style. The crossing pedestrian did not affect discomfort with the calm driving style but doubled the comfort decrement with the dynamic driving style. This illustrates the importance of consequences of critical interactions in risk perception. Facial expression was successfully analyzed for 24 participants but most (15/24) did not show any detectable facial reaction to the critical event. Among the 9 participants who did, 8 showed a Happy expression, and only 4 showed a Surprise expression. Fear was never dominant. This indicates that facial expression recognition is not a reliable method for assessing perceived risk in automated vehicles. To predict perceived risk a neural network model was implemented using vehicle motion and skin conductance. The model correlated well with reported perceived risk, demonstrating its potential for objective perceived risk assessment in automated vehicles, reducing subjective bias and highlighting areas for future research.
- Abstract（参考訳）: 信頼と認識された安全は、自動運転車の公的な受容において重要な役割を担っている。
認識リスクを理解するために,2種類の自動走行方式の運転シミュレータを用いて,踏切歩行者を任意に導入する実験を行った。
被験者32名から, 連続した主観的快適度, 動き, 顔表情のウェブカメラ映像, 皮膚コンダクタンス, 心拍数, 眼球追跡などのデータを収集した。
連続した主観的リスク評価では、コーナーングとブレーキ中のリスクの認識にかなりの不快感がみられ、その後、乗務継続に対する安心感や積極的快適感が見られた。
ダイナミックな運転スタイルは、穏やかな運転スタイルに比べて強い不快感を引き起こした。
横断歩行者は、穏やかな運転スタイルの不快感には影響しなかったが、ダイナミックな運転スタイルの快適さは倍増した。
このことは、リスク知覚における重要な相互作用の結果の重要性を示している。
顔の表情は24名に対して正常に解析されたが, ほとんど(15/24) に臨界事象に対する顔反応は認められなかった。
9例中8例は幸福表現,4例はサプライズ表現であった。
恐怖は決して支配的ではなかった。
このことから, 表情認識は, 自動走行車における認識リスクを評価するための信頼性の高い方法ではないことが示唆された。
認識リスクを予測するために、車両の動きと皮膚のコンダクタンスを用いてニューラルネットワークモデルを実装した。
このモデルは、報告されたリスクとよく相関し、自動走行車における客観的なリスク評価の可能性を示し、主観的偏見を減らし、将来の研究分野を強調する。
関連論文リスト
- How Much is Too Much? Learning Personalised Risk Thresholds in Real-World Driving [0.0]
本研究では,自然主義運転データに基づく適応的かつ個人化されたリスク検出フレームワークを提案する。
このフレームワークは、2つの安全指標、速度重み付け時間と厳しい運転イベントを使用してテストされた。
全体として、このフレームワークは、適応的かつ個人化されたリスク検出の可能性を示し、リアルタイムの安全フィードバックを強化する。
論文 参考訳（メタデータ） (2025-07-26T16:24:25Z) - Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。
本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。
本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
論文 参考訳（メタデータ） (2024-08-08T03:49:05Z) - Context-Aware Quantitative Risk Assessment Machine Learning Model for
Drivers Distraction [0.0]
MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。
MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。
我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
論文 参考訳（メタデータ） (2024-02-20T23:20:36Z) - 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) - 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) - Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
道路事故は世界8大死因である。
様々な要因がドライバーの疲労の原因となっている。
ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
論文 参考訳（メタデータ） (2022-08-31T08:42:28Z) - An active approach towards monitoring and enhancing drivers'
capabilities -- the ADAM cogtec solution [1.0312968200748118]
特定の瞬間における運転者の認知能力は、運転者の安全性を評価する上で最も明白な変数である。
視覚刺激に対するドライバーの眼反応が記録された閉ループ法を開発した。
機械学習アルゴリズムは、警戒状態の眼反応に基づいて訓練され、疲労や物質乱用による能力低下を検出することができた。
論文 参考訳（メタデータ） (2022-04-05T07:46:07Z) - Estimation of Driver's Gaze Region from Head Position and Orientation
using Probabilistic Confidence Regions [43.9008720663172]
スマートな車両は人間の行動を理解し、危険な状況を避けるために行動を予測する必要がある。
運転タスクに関連する最も重要な側面の1つは、ドライバーの視覚的注意です。
本稿では,ドライバの視覚的注意を表現したサルエント領域を作成するための確率モデルに基づく定式化を提案する。
論文 参考訳（メタデータ） (2020-12-23T15:48:43Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳（メタデータ） (2020-06-20T11:56:32Z)
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。