論文の概要: The LAIA Dataset: Labelled Attention for Intelligent Automobiles
- arxiv url: http://arxiv.org/abs/2607.25570v2
- Date: Wed, 29 Jul 2026 11:16:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.730817
- Title: The LAIA Dataset: Labelled Attention for Intelligent Automobiles
- Title（参考訳）: LAIAデータセット:Intelligent Automobilesへの注意の欠如
- Abstract要約: 本稿では,人間の注意データを用いたエンド・ツー・エンド運転研究の強化を目的とした新しいデータセットであるLAIAを紹介する。
LAIAは44人の参加者から15時間以上運転し、自然反応を誘発する設計シナリオを慎重に構築している。
LAIAを用いて、エンド・ツー・エンドの運転モデルに現れる知覚的注意と人間の注意を比べ、その行動に関する洞察を与える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The development of autonomous vehicles (AVs) usually relies heavily on data-driven artificial intelligence (AI) models that require large volumes of sensor data with ground-truth annotations. While modular architectures are widely used, end-to-end driving paradigms offer a promising alternative by directly mapping sensor inputs to control actions. However, their adoption is limited by challenges in interpretability and explainability. To address this, we present LAIA (Labelled Attention for Intelligent Automobiles), a novel synthetic dataset designed to enrich end-to-end driving research with human attention data. Collected using the CARLA simulator in closed-loop environments, LAIA comprises over 15 hours of driving from 44 participants across carefully crafted scenarios designed to evoke natural responses. Each sequence includes RGB images under six weather conditions, semantic and instance segmentation, depth, optical flow, CAN bus signals, and synchronized eye-tracking data. LAIA enables applications including training attention-aware end-to-end AI drivers, predicting driver behavior, developing methods to detect anomalous driver-attention patterns, and improving model explainability. In this work, we use LAIA to compare human attention with the perceptual attention emerging in our end-to-end driving models, thereby providing insight into their behavior.
- Abstract（参考訳）: 自動運転車(AV)の開発は通常、大量のセンサーデータを必要とするデータ駆動人工知能(AI)モデルに大きく依存している。
モジュラーアーキテクチャは広く使われているが、エンドツーエンドの駆動パラダイムは、センサー入力を直接制御アクションにマッピングすることで、有望な代替手段を提供する。
しかし、それらの採用は解釈可能性と説明可能性の課題によって制限されている。
これを解決するために、人間の注意データを用いてエンドツーエンドの運転研究を強化するために設計された、新しい合成データセットであるLAIA(Labelled Attention for Intelligent Automobiles)を提示する。
CARLAシミュレーターを用いてクローズドループ環境で収集されたLAIAは、44人の参加者から自然の反応を誘発するために設計された慎重に作られたシナリオを15時間以上運転する。
各シーケンスは、6つの気象条件下でのRGB画像、セマンティックおよびインスタンスセグメンテーション、深さ、光流、CANバス信号、および同期アイトラッキングデータを含む。
LAIAは、注意を意識したエンドツーエンドのAIドライバのトレーニング、ドライバの振る舞いの予測、異常なドライバの注意パターンの検出方法の開発、モデル説明性の向上などのアプリケーションを可能にする。
本研究では、LAIAを用いて、エンド・ツー・エンドの運転モデルに現れる知覚的注意と人間の注意を比べ、その行動に関する洞察を与える。
関連論文リスト
- AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。
無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。
本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文 参考訳（メタデータ） (2026-02-10T11:08:07Z) - 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) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳（メタデータ） (2023-12-11T13:27:51Z) - DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。
DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
論文 参考訳（メタデータ） (2023-10-02T17:59:52Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - A Distributed Acoustic Sensor System for Intelligent Transportation
using Deep Learning [2.1219631216034127]
本研究は,光ファイバーを用いた分散音響センサ(DAS)を用いた交通解析のための新しいデータソースについて検討する。
本研究では,DAS信号の分析を行う深層学習手法を提案する。
制御条件下で収集したDASデータに基づいて,車両の分類精度92%,乗員検出92%-97%を達成した。
論文 参考訳（メタデータ） (2022-09-13T13:23:30Z) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳（メタデータ） (2022-05-18T04:15:42Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Fully End-to-end Autonomous Driving with Semantic Depth Cloud Mapping
and Multi-Agent [2.512827436728378]
本稿では,エンド・ツー・エンドとマルチタスクの学習方法を用いて学習した新しいディープラーニングモデルを提案する。
このモデルは,CARLAシミュレータ上で,現実の環境を模倣するために,通常の状況と異なる天候のシナリオを用いて評価する。
論文 参考訳（メタデータ） (2022-04-12T03:57:01Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z)
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。