論文の概要: DriveDNA: A Large-Scale Multimodal Naturalistic Driving Dataset and Benchmark for Driving Style Identification

• arxiv url: http://arxiv.org/abs/2607.23822v1
• Date: Sun, 26 Jul 2026 20:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.244989
• Title: DriveDNA: A Large-Scale Multimodal Naturalistic Driving Dataset and Benchmark for Driving Style Identification
• Title（参考訳）: DriveDNA: 大規模マルチモーダル自然主義運転データセットと運転スタイル同定のためのベンチマーク
• Abstract要約: 本稿では,個人化された運転スタイルモデリングのための大規模自然言語データセットとベンチマークであるDriveDNAを紹介する。 DriveDNAは、運転スタイルを運転者固有の行動パターンとして定義している。 我々は,古典的記述子,教師付き,自己監督型時系列エンコーダ,マルチモーダル融合,確率予測,ビデオのみのモデルにまたがるベースラインを評価する。
• 参考スコア（独自算出の注目度）: 22.095487498535434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving style captures stable, driver-specific patterns in how a vehicle is driven. In naturalistic data, however, this signal is hard to isolate because drivers are observed in different vehicles, on different roads, and under different conditions, so models may mistake vehicle- or situation-specific regularities for driver-specific style. We introduce DriveDNA, a large-scale naturalistic dataset and benchmark for personalized driving-style modeling, comprising 4,121 drives from 465 drivers across 115 vehicle models and totaling 975 hours of human-controlled driving at 10 Hz with forward video, collected from community drivers in everyday use. DriveDNA defines driving style as a consistent, driver-specific behavioral pattern in how a vehicle moves under similar conditions. The benchmark evaluates this signal through three core tasks: few-shot driver re-identification, personalized behavior prediction, and condition-matched comparison, and provides behavioral annotations plus 276,248 rule-generated maneuver events across six classes with large-scale human auditing. We evaluate baselines spanning classical descriptors, supervised and self-supervised time-series encoders, multimodal fusion, probabilistic prediction, and zero-shot foundation models under a fixed multi-seed protocol. Learned representations substantially outperform classical descriptors on unseen drivers (AUROC .935 vs. .707) and retain driver-specific information under matched driving conditions, while descriptor performance approaches chance. Video-only models achieve comparable re-identification accuracy but exhibit severe route leakage, showing that strong recognition may arise from contextual shortcuts rather than driving behavior. These findings show that reliable driving-style evaluation must assess both the behavioral value of learned representations and their robustness to vehicle, drive, and condition confounds.
• Abstract（参考訳）: 運転スタイルは、車両の運転方法において、安定したドライバー固有のパターンをキャプチャする。 しかし、自然主義的なデータでは、この信号は異なる車両、異なる道路、異なる条件下でドライバーが観察されるため分離が難しいため、モデルがドライバー固有のスタイルで車種や状況固有の規則を間違える可能性がある。 DriveDNAは115台の車両モデルにまたがる465人のドライバーから4,121台のドライブを投入し、合計975時間の人間制御運転を10Hzで転送し、コミュニティドライバから毎日の使用で収集する。 DriveDNAは、運転スタイルを運転者固有の行動パターンとして定義している。 このベンチマークは、この信号を、3つの中核的なタスクを通して評価する: 少数ショットドライバーの再識別、パーソナライズされた振る舞い予測、条件適合した比較。 我々は,古典的記述子,教師付きおよび自己教師型時系列エンコーダ,マルチモーダル融合,確率予測,ゼロショット基礎モデルにまたがるベースラインを評価する。 学習された表現は、未確認ドライバ(AUROC .935 vs.707)の古典的記述子を大幅に上回り、一致した運転条件下でドライバ固有の情報を保持する一方で、記述子のパフォーマンスはチャンスに近づいた。 ビデオのみのモデルでは、同一の再識別精度が向上するが、経路リークが深刻であることから、運転行動よりも文脈的ショートカットによる強い認識が生じる可能性がある。 これらの結果から, 学習した表現の行動的価値と, 車両, 運転, 条件条件に対する頑健性の両方を, 信頼性の高い運転スタイル評価で評価する必要があることが示唆された。

関連論文リスト

• 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)
• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• 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)
• 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)
• Markov Switching Model for Driver Behavior Prediction: Use cases on Smartphones [4.576379639081977]
  スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。 提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
  論文  参考訳（メタデータ） (2021-08-29T09:54:05Z)
• Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
  ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。 本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-01T20:18:03Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• 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 Identification through Stochastic Multi-State Car-Following Modeling [7.589491805669563]
  ドライバー内およびドライバー間不均一性は多くの研究によってヒトの運転行動に存在することが確認されている。 全てのドライバーが運転状態のプールを共有していると仮定され、各状態の下では、自動車追従データ列は特徴空間における特定の確率分布に従う。 各ドライバは、ドライバ内不均一性を特徴づけるドライバプロファイルと呼ばれる、各状態に対する自身の確率分布を持つ。
  論文  参考訳（メタデータ） (2020-05-22T09:39:00Z)

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。