論文の概要: Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study

• arxiv url: http://arxiv.org/abs/2602.13733v1
• Date: Sat, 14 Feb 2026 11:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.459558
• Title: Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study
• Title（参考訳）: 意図しないフィードバックから学習する運転機能による運転者の満足感の向上 -テストグループによる研究-
• Authors: Robin Schwager, Andrea Anastasio, Simon Hartmann, Andreas Ronellenfitsch, Michael Grimm, Tim Brühl, Tin Stribor Sohn, Tim Dieter Eberhardt, Sören Hohmann,
• Abstract要約: 予め定義された経路上でのPLDF(Predictive Longitudinal Driving Function)の速度プロファイルをハイライトする。 PLDFの本来の速度プロファイルとドライバのデモの両方を考慮し、PLDFの速度プロファイルを反復的に調整するアルゴリズムが導入された。 提案アルゴリズムの適用性について,43名の被験者を対象に,運転シミュレータを用いたテストグループ実験で検証した。
• 参考スコア（独自算出の注目度）: 3.6297392316526724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the use of advanced driver assistance systems, drivers frequently intervene into the active driving function and adjust the system's behavior to their personal wishes. These active driver-initiated takeovers contain feedback about deviations in the driving function's behavior from the drivers' personal preferences. This feedback should be utilized to optimize and personalize the driving function's behavior. In this work, the adjustment of the speed profile of a Predictive Longitudinal Driving Function (PLDF) on a pre-defined route is highlighted. An algorithm is introduced which iteratively adjusts the PLDF's speed profile by taking into account both the original speed profile of the PLDF and the driver demonstration. This approach allows for personalization in a traded control scenario during active use of the PLDF. The applicability of the proposed algorithm is tested in a driving simulator-based test group study with 43 participants. The study finds a significant increase in driver satisfaction and a significant reduction in the intervention frequency when using the proposed adaptive PLDF. Additionally, feedback by the participants was gathered to identify further optimization potentials of the proposed system.
• Abstract（参考訳）: 高度な運転支援システムの使用中、ドライバーはしばしばアクティブな運転機能に介入し、システムの振る舞いを個人的な願望に合わせて調整する。 これらのアクティブな運転開始テイクオーバーは、運転者の個人的な嗜好から運転機能の振る舞いの偏りに関するフィードバックを含んでいる。 このフィードバックは、運転機能の振る舞いを最適化しパーソナライズするために利用すべきである。 本研究では,事前定義された経路上でのPLDFの速度プロファイルの調整について述べる。 PLDFの本来の速度プロファイルとドライバのデモの両方を考慮し、PLDFの速度プロファイルを反復的に調整するアルゴリズムが導入された。 このアプローチはPLDFのアクティブ使用中に取引された制御シナリオにおけるパーソナライズを可能にする。 提案アルゴリズムの適用性について,43名の被験者を対象に,運転シミュレータを用いたテストグループ実験で検証した。 本研究は, 提案した適応PLDFを用いた場合, 運転者の満足度が有意に増加し, 介入頻度が有意に低下することを見出した。 さらに,提案方式のさらなる最適化の可能性を明らかにするため,参加者からのフィードバックが集められた。

関連論文リスト

• Vision based driving agent for race car simulation environments [0.0]
  本稿では, レーストラック上での時間最適運転の課題を, 深層強化学習問題として定式化した。 その結果,最大タイヤグリップ電位を利用した人間的な学習と運転行動が示された。
  論文  参考訳（メタデータ） (2025-04-14T14:29:37Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)
• Safe Reinforcement Learning for an Energy-Efficient Driver Assistance System [1.8899300124593645]
  強化学習(Reinforcement Learning, RL)に基づく運転支援システムは, 電力系統制御動作の継続的な改善を通じて, 燃費の向上を図る。 本稿では,RLに基づく運転支援システムによって提案される安全でない動作をフィルタするために,指数制御障壁関数(ECBF)を導出して利用する。 提案手法は, 走行中の衝突を効果的に回避できることを示すため, 車両内での安全RLスキームの訓練と評価を行う。
  論文  参考訳（メタデータ） (2023-01-03T00:25:00Z)
• 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)
• Unsupervised Driving Behavior Analysis using Representation Learning and Exploiting Group-based Training [15.355045011160804]
  運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。 現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。 時系列の圧縮表現を学習することで一貫した群を形成する。
  論文  参考訳（メタデータ） (2022-05-12T10:27:47Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• 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。