論文の概要: Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception

• arxiv url: http://arxiv.org/abs/2604.07651v1
• Date: Wed, 08 Apr 2026 23:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.596812
• Title: Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception
• Title（参考訳）: 心理的状態条件付き認知因果多タスク学習による援助運転知覚
• Authors: Keito Inoshita, Nobuhiro Hayashida, Akira Imanishi,
• Abstract要約: 高度な運転支援システムのためのマルチタスク学習では、運転者の内部状態と外部交通環境の間の複雑な相互作用をモデル化する必要がある。 本稿では,認知科学を基盤としたマルチタスク学習フレームワークCauPsiを提案する。 CauPsi の平均精度は 82.71% であり、パラメータは 5.05M しかなく、全体の作業量が +1.0% を超える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task learning for advanced driver assistance systems requires modeling the complex interplay between driver internal states and external traffic environments. However, existing methods treat recognition tasks as flat and independent objectives, failing to exploit the cognitive causal structure underlying driving behavior. In this paper, we propose CauPsi, a cognitive science-grounded causal multi-task learning framework that explicitly models the hierarchical dependencies among Traffic Context Recognition (TCR), Vehicle Context Recognition (VCR), Driver Emotion Recognition (DER), and Driver Behavior Recognition (DBR). The proposed framework introduces two key mechanisms. First, a Causal Task Chain propagates upstream task predictions to downstream tasks via learnable prototype embeddings, realizing the cognitive cascade from environmental perception to behavioral regulation in a differentiable manner. Second, Cross-Task Psychological Conditioning (CTPC) estimates a psychological state signal from driver facial expressions and body posture and injects it as a conditioning input to all tasks including environmental recognition, thereby modeling the modulatory effect of driver internal states on cognitive and decision-making processes. Evaluated on the AIDE dataset, CauPsi achieves a mean accuracy of 82.71% with only 5.05M parameters, surpassing prior work by +1.0% overall, with notable improvements on DER (+3.65%) and DBR (+7.53%). Ablation studies validate the independent contribution of each component, and analysis of the psychological state signal confirms that it acquires systematic task-label-dependent patterns in a self-supervised manner without explicit psychological annotations.
• Abstract（参考訳）: 高度な運転支援システムのためのマルチタスク学習では、運転者の内部状態と外部交通環境の間の複雑な相互作用をモデル化する必要がある。 しかし、既存の方法では、認識タスクをフラットで独立した目的として扱うことができず、運転行動の根底にある認知因果構造を活用できない。 本稿では,交通コンテキスト認識(TCR),車両コンテキスト認識(VCR),運転感情認識(DER),運転行動認識(DBR)の階層的依存関係を明示的にモデル化する,認知科学に基づく因果多タスク学習フレームワークであるCauPsiを提案する。 提案するフレームワークには2つの重要なメカニズムがある。 まず、Causal Task Chainは、学習可能なプロトタイプ埋め込みを通じて上流タスク予測を下流タスクに伝播させ、環境認識から行動規制への認知カスケードを異なる方法で実現する。 第2に、クロスタスク心理学的条件付け(CTPC)は、運転者の表情と身体姿勢から心理状態信号を推定し、環境認識を含む全てのタスクに条件入力として注入することにより、運転者の内部状態が認知および意思決定プロセスに与える影響をモデル化する。 AIDEデータセットに基づいて評価すると、CauPsiの平均精度は5.05Mパラメータだけで82.71%であり、DER(+3.65%)とDBR(+7.53%)に顕著な改善が加えられた。 アブレーション研究は各コンポーネントの独立的な貢献を検証し、心理学的状態信号の分析により、明示的な心理学的アノテーションを伴わずに、自己監督的な方法で系統的なタスクラベル依存パターンを取得することが確認される。

関連論文リスト

• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• Understanding Mental States in Active and Autonomous Driving with EEG [33.344042380346245]
  本稿では,脳波による認知負荷,疲労,覚醒の比較を行った。 どちらのモードも同様の傾向を複雑度にわたって引き起こすが、精神状態の強さと基礎となる神経の活性化は著しく異なる。
  論文  参考訳（メタデータ） (2025-12-09T23:30:52Z)
• Siamese Network with Dual Attention for EEG-Driven Social Learning: Bridging the Human-Robot Gap in Long-Tail Autonomous Driving [0.0]
  本研究では脳波信号の分類を行う脳-コンピュータインタフェース(BCI)フレームワークを提案する。 タイムリーかつモチベーションの高いコロボティックエンジニアリングアプリケーションとして、準自律ロボット運転における危険事象を警告するために、人間とループのシナリオをシミュレートする。 本稿では,脳波を符号化した信号表現を生成するために,ダイナミック・タイム・ワーピング・バリーセンタ平均化手法と組み合わせた二重アテンション・シームズ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T15:06:17Z)
• LeapVAD: A Leap in Autonomous Driving via Cognitive Perception and Dual-Process Thinking [13.898774643126174]
  LeapVADは、運転決定に影響を及ぼす重要な交通要素を特定し、焦点を合わせるための人間中心のメカニズムを実装している。 システムは、論理的推論を通じて駆動経験を蓄積する分析プロセス(System-II)と、微調整と少数ショット学習によってこの知識を洗練するヒューリスティックプロセス(System-I)から構成される。
  論文  参考訳（メタデータ） (2025-01-14T14:49:45Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Estimating Driver Personality Traits from On-Road Driving Data [1.4330510916280879]
  本稿では,運転支援システムにおける運転データを用いた運転者の心理的特徴の推定に焦点をあてる。 本研究では,認知機能,心理的運転スタイル,作業負荷感などのドライバの心理的特徴を推定するモデルを構築した。
  論文  参考訳（メタデータ） (2023-02-09T20:46:46Z)
• 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)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。