論文の概要: How defensive driving enhances driving safety: A driving simulator study on drivers' defensive driving behaviors
- arxiv url: http://arxiv.org/abs/2607.18663v1
- Date: Tue, 21 Jul 2026 03:20:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.300887
- Title: How defensive driving enhances driving safety: A driving simulator study on drivers' defensive driving behaviors
- Title（参考訳）: ディフェンスドライビングが運転安全性をいかに向上させるか--ドライバーのディフェンスドライビング行動に関する運転シミュレータによる研究
- Abstract要約: 本研究では,防衛運転の行動特性,運転安全への影響,そのメカニズムについて検討した。
その結果、防御運転能力を有するドライバーは、より激しい運転操作を行い、リスクを特定する傾向があることが明らかになった。
発見は防衛運転の促進を支援し、関連する訓練プログラムの基礎を提供する。
- 参考スコア（独自算出の注目度）: 3.981488921870863
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Defensive driving is widely recognized as an advanced driving skill. However, whether and how defensive driving affects driving safety remains insufficiently investigated. This study examines the behavioral characteristics of defensive driving, its impact on driving safety, and the underlying mechanisms. First, defensive driving is defined regarding operational timing and application scenario. Then, 82 participants are recruited for driving simulator experiments, with their behavioral and eye movement data being collected. Following the experiments, participants are categorized into groups based on the frequency of defensive driving behaviors exhibited. Finally, both inter-group and inter trial comparisons are performed on the experimental data. Experimental results demonstrate that in the inter-group comparison, the high defensive driving capability group exhibits higher acceleration and deceleration magnitudes, lower average speeds, and larger average absolute yaw angles compared to the low capability group, alongside shorter fixation durations and reduced fixation frequencies. Moreover, we observe that these participants tend to initiate defensive or evasive actions earlier, resulting in lower scenario risk. Regarding the inter-trial comparison, we observe similar trends exclusively in the low capability group, whereas most metrics show no significant differences between Trial 1 and Trial 2 in the high capability group. These results reveal that drivers possessing defensive driving capabilities tend to execute more intense driving maneuvers and identify risks and take action earlier, thereby enhancing driving safety. Findings support the promotion of defensive driving and provide a basis for relevant training programs. Meanwhile, they offer insights for the training of autonomous driving algorithms with defensive driving capabilities.
- Abstract（参考訳）: 防御運転は高度な運転技術として広く認められている。
しかし、防御運転が運転安全に与える影響についてはまだ十分に調査されていない。
本研究では,防衛運転の行動特性,運転安全への影響,そのメカニズムについて検討した。
まず、運用タイミングとアプリケーションシナリオについて、防御駆動を定義します。
次に、82人の参加者がシミュレーション実験を運転するために採用され、その行動と眼球運動のデータが収集される。
実験の後、参加者は、提示された防御運転行動の頻度に基づいてグループに分類される。
最後に,実験データを用いてグループ間比較と試験間比較を行う。
実験の結果, 群間比較において, 高防御駆動能力群は, 固定期間の短縮, 固定頻度の低減とともに, 加速・減速の程度, 平均速度の低下, 低機能群に比べて平均絶対ヨー角が大きいことがわかった。
さらに,これらの参加者は早期に防御行動や回避行動を開始しやすい傾向にあり,シナリオリスクが低くなる傾向にある。
また, 臨床比較では, 低能力群のみに類似した傾向がみられたが, 高機能群ではTrial 1とTrial 2に有意差は認められなかった。
これらの結果から, 防御運転能力を有する運転者はより激しい運転操作を行い, リスクを特定し, 早期に行動を起こす傾向にあり, 運転安全性が向上することが明らかとなった。
発見は防衛運転の促進を支援し、関連する訓練プログラムの基礎を提供する。
同時に、防衛運転能力を備えた自動運転アルゴリズムのトレーニングに関する洞察を提供する。
関連論文リスト
- Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - Vision based driving agent for race car simulation environments [0.0]
本稿では, レーストラック上での時間最適運転の課題を, 深層強化学習問題として定式化した。
その結果,最大タイヤグリップ電位を利用した人間的な学習と運転行動が示された。
論文 参考訳（メタデータ） (2025-04-14T14:29:37Z) - Driver Age and Its Effect on Key Driving Metrics: Insights from Dynamic Vehicle Data [2.3072218701168166]
2030年までに65歳以上の高齢者は50%以上増加し、道路上の高齢者の数が大幅に増加すると予想されている。
70人以上のドライバーは、40代や50代よりも死亡率が高い。
論文 参考訳（メタデータ） (2025-01-12T20:01:07Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - Imitation Is Not Enough: Robustifying Imitation with Reinforcement
Learning for Challenging Driving Scenarios [147.16925581385576]
シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。
都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
論文 参考訳（メタデータ） (2022-12-21T23:59:33Z) - 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) - Exploring the trade off between human driving imitation and safety for
traffic simulation [0.34410212782758043]
運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。
両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
論文 参考訳（メタデータ） (2022-08-09T14:30:19Z) - Unsupervised Driving Behavior Analysis using Representation Learning and
Exploiting Group-based Training [15.355045011160804]
運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。
現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。
時系列の圧縮表現を学習することで一貫した群を形成する。
論文 参考訳（メタデータ） (2022-05-12T10:27:47Z) - Adversarial Deep Reinforcement Learning for Trustworthy Autonomous
Driving Policies [5.254093731341154]
我々は、自動運転車の深い強化学習ポリシーの改善を支援するために、敵対的な例が利用できることを示した。
高忠実度都市運転シミュレーション環境と視覚ベース運転エージェントを用いて、敵プレイヤーを用いて再訓練した自動運転車が、その運転ポリシーの性能を著しく向上させることを実証した。
論文 参考訳（メタデータ） (2021-12-22T15:00:16Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - 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)
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。