論文の概要: Low-Cost System for Automatic Recognition of Driving Pattern in Assessing Interurban Mobility using Geo-Information

• arxiv url: http://arxiv.org/abs/2604.15216v1
• Date: Thu, 16 Apr 2026 16:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:32.011488
• Title: Low-Cost System for Automatic Recognition of Driving Pattern in Assessing Interurban Mobility using Geo-Information
• Title（参考訳）: 地理情報を用いた都市間移動評価における運転パターンの自動認識のための低コストシステム
• Authors: Oscar Romero, Aika Silveira Miura, Lorena Parra, Jaime Lloret,
• Abstract要約: 本稿では,運転スタイルを認識し,運転者がより安全で効率的な運転に到達できるようにするアプローチを提案する。 このシステムは、ディスプレイとスピーカーを備えたデバイスノードに接続された2つの物理的センサーで構成されている。 ノードには人工知能ニューラルネットワーク(ANN)が含まれており、センサからのデータを分析し、運転スタイルを認識する。
• 参考スコア（独自算出の注目度）: 4.318840065508993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobility in urban and interurban areas, mainly by cars, is a day-to-day activity of many people. However, some of its main drawbacks are traffic jams and accidents. Newly made vehicles have pre-installed driving evaluation systems, which can prevent accidents. However, most cars on our roads do not have driver assessment systems. In this paper, we propose an approach for recognising driving styles and enabling drivers to reach safer and more efficient driving. The system consists of two physical sensors connected to a device node with a display and a speaker. An artificial neural network (ANN) is included in the node, which analyses the data from the sensors, and then recognises the driving style. When an abnormal driving pattern is detected, the speaker will play a warning message. The prototype was assembled and tested using an interurban road, in particular on a conventional road with three driving styles. The gathered data were used to train and validate the ANN. Results, in terms of accuracy, indicate that better accuracy is obtained when the velocity, position (latitude and longitude), time, and turning speed for the 3-axis are used, offering an average accuracy of 83%. If the classification is performed considering just two driving styles, normal and aggressive, then the accuracy reaches 92%. When the geo-information and time data are included, the main novelty of this paper, the classification accuracy is improved by 13%.
• Abstract（参考訳）: 都市部や都市間地域の移動は、主に自動車が中心であり、多くの人々の日々の活動である。 しかし、主な欠点は交通渋滞と事故である。 新たに製造された車両には、事故を防止できる運転評価システムが搭載されている。 しかし、道路上のほとんどの車はドライバーアセスメントシステムを持っていない。 本稿では、運転スタイルを認識し、運転者がより安全で効率的な運転に到達できるようにするためのアプローチを提案する。 このシステムは、ディスプレイとスピーカーを備えたデバイスノードに接続された2つの物理的センサーで構成されている。 ノードには人工知能ニューラルネットワーク(ANN)が含まれており、センサからのデータを分析し、運転スタイルを認識する。 異常な駆動パターンが検出されると、話者は警告メッセージを再生する。 プロトタイプは都市間道路、特に3つの運転スタイルの従来の道路で組み立てテストされた。 収集されたデータは、ANNの訓練と検証に使用された。 その結果, 3軸の速度, 位置(緯度, 経度), 時間, 旋回速度が平均83%であれば, 精度が向上することが示唆された。 通常の運転スタイルとアグレッシブモードの2種類しか考慮しない場合、精度は92%に達する。 地理情報と時間データを含む場合,本論文の主な特徴は,分類精度を13%向上させることである。

関連論文リスト

• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
  提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。 最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
  論文  参考訳（メタデータ） (2023-08-23T18:24:28Z)
• 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)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Deep Learning Approach for Aggressive Driving Behaviour Detection [1.933681537640272]
  この研究は、異なる状況(ラッシュ、精神的衝突、報復)のドライバーが攻撃的に運転し始めるときのタイムステップを特定する。 積極的運転の機会を発見するためには、運転行動を調べるために観察者(現実または仮想)が必要である。 スマートフォンのGPSセンサーを使って位置を検出し,運転者の運転行動を3分毎に分類することで,この問題を克服する。
  論文  参考訳（メタデータ） (2021-11-08T20:06:16Z)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)
• 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)
• Improved YOLOv3 Object Classification in Intelligent Transportation System [29.002873450422083]
  高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。 モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
  論文  参考訳（メタデータ） (2020-04-08T11:45:13Z)
• LaNet: Real-time Lane Identification by Learning Road SurfaceCharacteristics from Accelerometer Data [12.334058883768977]
  我々は,車線車両が乗っている車線を周期的に分類し,LSTMニューラルネットワークモデルであるLaNetを開発した。 LaNetは、路面イベント(バンプ、ひび割れなど)のレーン固有のシーケンスを学習し、200mの運転データで100%レーン分類精度を得る。
  論文  参考訳（メタデータ） (2020-04-06T17:09:50Z)

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。