論文の概要: Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving

• arxiv url: http://arxiv.org/abs/2604.11549v1
• Date: Mon, 13 Apr 2026 14:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.616209
• Title: Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving
• Title（参考訳）: 実世界自動運転におけるパーソナライズされた生理信号を用いた人中心非侵入運転状態モデリング
• Authors: David Puertas-Ramirez, Raul Fernandez-Matellan, David Martin Gomez, Jesus G. Boticario,
• Abstract要約: 部分的または条件付き運転自動化を持つ車両では、運転者はシステムを監視し、乗っ取り要求に応答する責任を負う。 本研究では,非侵襲的生理学的センシングによる運転状態の個人化の可能性について検討した。 4人の運転者を対象とした実験は、運転者の意識に関連する生理的パターンの個体間変動を顕著に示している。
• 参考スコア（独自算出の注目度）: 2.9359340113589774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In vehicles with partial or conditional driving automation (SAE Levels 2-3), the driver remains responsible for supervising the system and responding to take-over requests. Therefore, reliable driver monitoring is essential for safe human-automation collaboration. However, most existing Driver Monitoring Systems rely on generalized models that ignore individual physiological variability. In this study, we examine the feasibility of personalized driver state modeling using non-intrusive physiological sensing during real-world automated driving. We conducted experiments in an SAE Level 2 vehicle using an Empatica E4 wearable sensor to capture multimodal physiological signals, including electrodermal activity, heart rate, temperature, and motion data. To leverage deep learning architectures designed for images, we transformed the physiological signals into two-dimensional representations and processed them using a multimodal architecture based on pre-trained ResNet50 feature extractors. Experiments across four drivers demonstrate substantial interindividual variability in physiological patterns related to driver awareness. Personalized models achieved an average accuracy of 92.68%, whereas generalized models trained on multiple users dropped to an accuracy of 54%, revealing substantial limitations in cross-user generalization. These results underscore the necessity of adaptive, personalized driver monitoring systems for future automated vehicles and imply that autonomous systems should adapt to each driver's unique physiological profile.
• Abstract（参考訳）: 部分的または条件付き運転自動化 (SAE Levels 2-3) を持つ車両では、運転者はシステムを監視し、乗換要求に応答する責任を負う。 したがって、安全な人自動コラボレーションには信頼性の高い運転監視が不可欠である。 しかしながら、既存の運転監視システムは、個々の生理的変動を無視する一般化されたモデルに依存している。 本研究では,実世界の自動運転における非侵襲的生理的センシングによる運転状態モデリングの実現可能性について検討した。 本研究では,Empatica E4ウェアラブルセンサを用いたSAEレベル2車両を用いて,脳波,心拍数,温度,運動データを含む多モード生理信号の収集実験を行った。 画像用に設計されたディープラーニングアーキテクチャを活用するため、生理的信号を二次元表現に変換し、事前訓練されたResNet50特徴抽出器に基づくマルチモーダルアーキテクチャを用いて処理した。 4人の運転者を対象とした実験は、運転者の意識に関連する生理的パターンの個体間変動を顕著に示している。 パーソナライズされたモデルの平均精度は92.68%であったが、複数のユーザーで訓練された一般化されたモデルは54%に低下し、ユーザ間の一般化にかなりの制限が生じた。 これらの結果は、将来の自動走行車に適応的でパーソナライズされた運転監視システムの必要性を強調し、自律システムは各運転者のユニークな生理的プロファイルに適応すべきであることを示唆している。

関連論文リスト

• PhysDrive: A Multimodal Remote Physiological Measurement Dataset for In-vehicle Driver Monitoring [30.242706543653497]
  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。
  論文  参考訳（メタデータ） (2025-07-25T11:23:44Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• 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)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
  本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。 このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
  論文  参考訳（メタデータ） (2024-01-08T03:06:02Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Augmented Driver Behavior Models for High-Fidelity Simulation Study of Crash Detection Algorithms [2.064612766965483]
  人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。 我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。 我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
  論文  参考訳（メタデータ） (2022-08-10T19:59:16Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State Analysis [164.93739293097605]
  EEGは運転状態のモニタリングとヒューマンエラー検出において最も効果的な方法の1つであることが証明されている。 本稿では,過去30年間の脳波に基づく運転状態検出システムとその解析アルゴリズムについて論じる。 現在のEEGベースの運転状態監視アルゴリズムは、安全アプリケーションに有望である、と結論付けている。
  論文  参考訳（メタデータ） (2020-08-25T18:21:35Z)

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。