論文の概要: Towards Driver Behavior Understanding: Weakly-Supervised Risk Perception in Driving Scenes
- arxiv url: http://arxiv.org/abs/2603.05926v1
- Date: Fri, 06 Mar 2026 05:40:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:45.111281
- Title: Towards Driver Behavior Understanding: Weakly-Supervised Risk Perception in Driving Scenes
- Title（参考訳）: 運転行動理解に向けて : 運転場面におけるリスク知覚の弱さ
- Authors: Nakul Agarwal, Yi-Ting Chen, Behzad Dariush,
- Abstract要約: RAIDは4,691本の注釈付きビデオクリップで構成され、様々な交通シナリオをドライバーの意図した操作、道路トポロジー、危険状況(歩行者を横断するなど)、運転手の反応、歩行者の注意力といったラベルでカバーしている。
本稿では,運転者の意図した操作と応答の関係をモデル化し,潜在的なリスク源を特定するための弱教師付きリスクオブジェクト識別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）: 21.684666974039086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving zero-collision mobility remains a key objective for intelligent vehicle systems, which requires understanding driver risk perception-a complex cognitive process shaped by voluntary response of the driver to external stimuli and the attentiveness of surrounding road users towards the ego-vehicle. To support progress in this area, we introduce RAID (Risk Assessment In Driving scenes)-a large-scale dataset specifically curated for research on driver risk perception and contextual risk assessment. RAID comprises 4,691 annotated video clips, covering diverse traffic scenarios with labels for driver's intended maneuver, road topology, risk situations (e.g., crossing pedestrians), driver responses, and pedestrian attentiveness. Leveraging RAID, we propose a weakly supervised risk object identification framework that models the relationship between driver's intended maneuver and responses to identify potential risk sources. Additionally, we analyze the role of pedestrian attention in estimating risk and demonstrate the value of the proposed dataset. Experimental evaluations demonstrate that our method achieves 20.6% and 23.1% performance gains over prior state-of-the-art approaches on the RAID and HDDS datasets, respectively.
- Abstract（参考訳）: ドライバーの外部刺激に対する自発的反応と周囲の道路利用者の自我車に対する注意力によって形成される複雑な認知プロセスを理解する必要がある。
この領域の進歩を支援するために、ドライバーのリスク認識と文脈的リスクアセスメントを専門とする大規模データセットRAID(Risk Assessment In Driving scene)を導入する。
RAIDは4,691本の注釈付きビデオクリップで構成され、様々な交通シナリオをドライバーの意図した操作、道路トポロジー、危険状況(例えば歩行者を横断する)、運転手の反応、歩行者の注意力といったラベルでカバーしている。
RAIDを活用することで,運転者の意図した操作と応答の関係をモデル化し,潜在的リスク源の同定を行う,弱教師付きリスクオブジェクト識別フレームワークを提案する。
さらに、リスク推定における歩行者注意の役割を分析し、提案したデータセットの価値を実証する。
実験により,RAIDデータセットとHDDSデータセットの先行手法よりも20.6%,23.1%の性能向上が得られた。
関連論文リスト
- 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) - 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) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Intersection Warning System for Occlusion Risks using Relational Local
Dynamic Maps [0.0]
本研究は,センサカバレッジの制限による可観測性に制限のある交通シナリオにおけるリスク評価の課題に対処する。
視界の特定には、幾何学的情報と道路インフラを提供する局所的ダイナミックマップにレイキャスティングを用いる。
結果として生じるリスク指標は、ドライバーの現在の行動を評価し、重大な状況でドライバーに警告し、安全に行動する方法や安全な軌道を計画する方法を提案するために使用される。
論文 参考訳（メタデータ） (2023-03-13T16:01:55Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - 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) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Driver-centric Risk Object Identification [25.85690304998681]
運転者中心のリスク定義,すなわち危険物が運転者行動に影響を与えることを提案する。
本稿では,本課題を原因影響問題として定式化し,新たな2段階リスクオブジェクト識別フレームワークを提案する。
運転者中心型リスクオブジェクト識別データセットを算出し,提案システムの評価を行う。
論文 参考訳（メタデータ） (2021-06-24T17:27:32Z) - A system of vision sensor based deep neural networks for complex driving
scene analysis in support of crash risk assessment and prevention [12.881094474374231]
本稿では,車載ダッシュカメラとディープラーニングアルゴリズムを用いたシーン解析システムを開発した。
このシステムのマルチネットには、2つのマルチタスクニューラルネットワークが含まれており、シーンごとに4つのラベルを提供するシーン分類を実行する。
2つの全く新しいデータセットが開発され、一般に公開され、提案されたディープニューラルネットワークのトレーニングに有効であることが証明された。
論文 参考訳（メタデータ） (2021-06-18T19:07:59Z) - Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk
Object Identification via Causal Inference [19.71459945458985]
運転者中心のリスク定義,すなわち運転者の行動に影響を与えるオブジェクトは危険である。
提案するオブジェクトレベルの操作可能な駆動モデルを用いた因果推論に基づく新しい2段階リスクオブジェクト識別フレームワークを提案する。
当社のフレームワークは,強力なベースラインに対するパフォーマンスを7.5%向上させています。
論文 参考訳（メタデータ） (2020-03-05T04:14:35Z)
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。