論文の概要: Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving

• arxiv url: http://arxiv.org/abs/2604.19368v1
• Date: Tue, 21 Apr 2026 11:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.74746
• Title: Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving
• Title（参考訳）: Mind2Drive:現実世界のオンデマンド運転で脳波からドライバーの意図を予測する
• Authors: Ghadah Alosaimi, Hanadi Alhamdan, Wenke E, Stamos Katsigiannis, Amir Atapour-Abarghouei, Toby P. Breckon,
• Abstract要約: 本研究では、実車に統合された同期型マルチセンサプラットフォームを用いて、脳波に基づく運転意図予測フレームワークを提案し、評価する。 提案フレームワークは時間的安定性が強く,1000msまでの堅牢な復号化性能を維持した上で,最小限の劣化を回避した。 これらの知見は、現実の道路環境下での脳波に基づく運転意図復号の早期かつ安定した実現可能性を支持するものである。
• 参考スコア（独自算出の注目度）: 16.534433620699435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting driver intention from neurophysiological signals offers a promising pathway for enhancing proactive safety in advanced driver assistance systems, yet remains challenging in real-world driving due to EEG signal non-stationarity and the complexity of cognitive-motor preparation. This study proposes and evaluates an EEG-based driver intention prediction framework using a synchronised multi-sensor platform integrated into a real electric vehicle. A real-world on-road dataset was collected across 32 driving sessions, and 12 deep learning architectures were evaluated under consistent experimental conditions. Among the evaluated architectures, TSCeption achieved the highest average accuracy (0.907) and Macro-F1 score (0.901). The proposed framework demonstrates strong temporal stability, maintaining robust decoding performance up to 1000 ms before manoeuvre execution with minimal degradation. Furthermore, additional analyses reveal that minimal EEG preprocessing outperforms artefact-handling pipelines, and prediction performance peaks within a 400-600 ms interval, corresponding to a critical neural preparatory phase preceding driving manoeuvres. Overall, these findings support the feasibility of early and stable EEG-based driver intention decoding under real-world on-road conditions. Code: https://github.com/galosaimi/Mind2Drive.
• Abstract（参考訳）: 神経生理学的信号からの運転意図の予測は、先進的な運転支援システムにおける積極的安全を高めるための有望な経路を提供するが、脳波信号の非定常性や認知運動器の準備の複雑さにより、現実の運転では依然として困難である。 本研究では、実車に統合された同期型マルチセンサプラットフォームを用いて、脳波に基づく運転意図予測フレームワークを提案し、評価する。 実世界のオンデマンドデータセットを32回の運転セッションで収集し,一貫した実験条件下で12のディープラーニングアーキテクチャを評価した。 評価されたアーキテクチャのうち、TSCeptionは平均精度(0.907)とマクロF1スコア(0.901)を達成した。 提案フレームワークは時間的安定性が強く,1000msまでの堅牢な復号化性能を維持した上で,最小限の劣化を回避した。 さらに、最小の脳波前処理は人工物処理パイプラインより優れており、予測性能は400-600ms間隔でピークとなる。 これらの知見は,現実の道路環境下での脳波に基づく運転意図復号の早期かつ安定した実現可能性を支持するものである。 コード:https://github.com/galosaimi/Mind2Drive

関連論文リスト

• Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety [0.0]
  ドライバーの眠気はヨーロッパでの道路事故の10%から20%を占めると推定されている。 本稿では,車両力学とドライバの生理的データを統合した深部強化学習に基づく自律制動システムを提案する。 ドロージー条件と非ドローシー条件の衝突を避けるために99.99%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-04-15T13:39:56Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Copilot-Assisted Second-Thought Framework for Brain-to-Robot Hand Motion Decoding [11.483725773928379]
  脳波による運動動態予測は、運動関連脳-コンピュータインターフェース(BCI)を開発する上で重要な研究領域である 握り上げ作業中に脳波から手キネマティクスを復号するためのCNN-attention hybrid modelを提案する。 我々は、このアプローチをEEG-EMGマルチモーダルデコーディングに拡張し、結果を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-29T03:12:08Z)
• Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
  運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。 従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。 ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
  論文  参考訳（メタデータ） (2025-02-27T13:43:17Z)
• VTD: Visual and Tactile Database for Driver State and Behavior Perception [1.6277623188953556]
  本稿では,運転状態とインタラクション行動の主観的不確実性に対処する新しい視覚触覚認識手法を提案する。 疲労および散逸条件下でのマルチモーダルデータを包含する包括的データセットを開発した。
  論文  参考訳（メタデータ） (2024-12-06T09:31:40Z)
• Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
  本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。 本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。 本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
  論文  参考訳（メタデータ） (2024-08-08T03:49:05Z)
• The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
  2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。 今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。 競争は15の最高パフォーマンスのソリューションで頂点に達した。
  論文  参考訳（メタデータ） (2024-05-14T17:59:57Z)
• 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)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• 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。