論文の概要: DriveMotion: A Large-Scale Multi-Source Benchmark for Driver Motion Sequence Modeling and Forecasting

• arxiv url: http://arxiv.org/abs/2609.08117v1
• Date: Tue, 08 Sep 2026 01:49:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:32:26.573749
• Title: DriveMotion: A Large-Scale Multi-Source Benchmark for Driver Motion Sequence Modeling and Forecasting
• Title（参考訳）: DriveMotion: ドライバモーションシーケンスモデリングと予測のための大規模マルチソースベンチマーク
• Abstract要約: 連続運転動作予測のベンチマークであるDriveMotionを紹介する。 DriveMotionには、360度ドライバから10Hzで133キーポイントのモーションシーケンスが393時間含まれている。 我々は、CAN信号からオフラインで識別された車両操作の周囲に予測窓を設置し、動的アンコール評価を用いる。
• 参考スコア（独自算出の注目度）: 19.185390523777187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver motion can provide cues to ongoing behavior, attention, and near-term driving intent. However, most existing driver-centric datasets focus on recognizing predefined driver behaviors from short video clips, while human motion forecasting benchmarks largely target motion outside the vehicle. We introduce DriveMotion, a multi-source benchmark for continuous driver motion forecasting. DriveMotion contains 393 hours of 133-keypoint motion sequences at 10 Hz from 360 drivers, integrating naturalistic driving data, curated public in-cabin videos, and the AIDE dataset into a unified representation with per-joint validity masks and synchronized driving context. Naturalistic driving contains long periods of limited body movement, making uniformly sampled evaluation dominated by persistence and less sensitive to brief but behaviorally meaningful motion. To address this, we use dynamics-anchored evaluation, placing forecasting windows around vehicle maneuvers identified offline from CAN signals without providing CAN to the model at inference. Arm motion in pre-maneuver windows is 3.4x greater than in route-matched stable-driving controls. On these anchored windows, learned models reduce forecasting error over persistence by up to 15%, while maneuver-enriched training improves forecast-derived Part-State F1 by 44% over the zero-motion reference. Training on the full multi-source corpus further reduces forecasting error on held-out web drivers by 38% compared with BATON-only training. DriveMotion provides identity-disjoint splits, fixed evaluation subsets, and reference implementations for reproducible evaluation of continuous driver motion forecasting. The dataset and benchmark are available at https://huggingface.co/datasets/HenryYHW/DriveMotion
• Abstract（参考訳）: ドライバーの動きは、進行中の行動、注意、短期的な運転意図に手がかりを与える。 しかしながら、既存のドライバー中心のデータセットのほとんどは、短いビデオクリップから事前に定義された運転行動を認識することに焦点を当てている。 連続運転動作予測のためのマルチソースベンチマークであるDriveMotionを紹介する。 DriveMotionには、360ドライバから10Hzで133キーポイントのモーションシーケンスが393時間含まれており、自然主義的な駆動データ、パブリックなインキャビンビデオのキュレーション、AIDEデータセットを、ジョイント毎の妥当性マスクと同期駆動コンテキストを備えた統一された表現に統合している。 自然主義的運転は、身体の動きが制限された長い期間を含むため、一様サンプル評価は持続性に支配され、短いが行動に意味のある動きには敏感でない。 そこで本研究では,モデルにCANを付与することなく,CAN信号からオフラインで特定した車両操作の周囲に予測窓を設置し,動的アンコール評価を行う。 空前の窓のアームの動きは、ルートマッチングされた安定した運転制御よりも3.4倍大きい。 これらのアンカーウインドウでは、学習モデルは永続性よりも予測エラーを最大15%削減し、操作強化トレーニングはゼロモーション参照よりも予測由来のPart-State F1を44%改善する。 完全なマルチソースコーパスのトレーニングは、BATONのみのトレーニングと比較して、保留中のWebドライバの予測エラーを38%削減する。 DriveMotionは、ID非結合の分割、固定された評価サブセット、継続的なドライバ動作予測の再現可能な評価のためのリファレンス実装を提供する。 データセットとベンチマークはhttps://huggingface.co/datasets/HenryYHW/DriveMotionで公開されている。

関連論文リスト

• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• DriveDNA: A Large-Scale Multimodal Naturalistic Driving Dataset and Benchmark for Driving Style Identification [22.095487498535434]
  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。
  論文  参考訳（メタデータ） (2026-07-26T20:04:49Z)
• Risk-Aware Selective Multimodal Driver Monitoring with Driver-State World Modeling [13.540675152706589]
  自動車両の連続運転監視には低遅延推論が必要である。 デプロイ可能なマルチモーダルドライバ監視のためのコストアウェア選択推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-25T11:59:21Z)
• Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
  Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。 身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。 ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
  論文  参考訳（メタデータ） (2026-05-06T16:30:48Z)
• BATON: A Multimodal Benchmark for Bidirectional Automation Transition Observation in Naturalistic Driving [18.15118596168445]
  既存の運転自動化(DA)システムは、DAにいつ参加するかを決めるために人間のドライバーに依存している。 BATONは127人のドライバーと136.6時間の運転における現実のDA使用量を自然言語で分析するデータセットである。 データセットは、フロントビュービデオ、キャビン内ビデオ、デコードされたCANバス信号、レーダーベースのリード車間相互作用、GPSからのルートコンテキストを同期する。 その結果、フロントビュービデオは運転状態ではなく道路状況を捉え、インキャビンビデオは運転準備を反映するが、外部シーンは反映しないことがわかった。
  論文  参考訳（メタデータ） (2026-04-08T16:29:24Z)
• Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
  車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。 本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-05T12:43:15Z)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• 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)
• 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)
• 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)

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。