論文の概要: TriDrive: Joint Driver, Vehicle, and Road Modeling for Forecasting and Driver Monitoring

• arxiv url: http://arxiv.org/abs/2609.33000v1
• Date: Sat, 26 Sep 2026 22:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:19:30.582991
• Title: TriDrive: Joint Driver, Vehicle, and Road Modeling for Forecasting and Driver Monitoring
• Title（参考訳）: TriDrive: 予測とドライバモニタリングのための統合ドライバ, 車両, 道路モデリング
• Abstract要約: 我々はTriDriveを紹介し、ドライバーのキネマティクス、車両のダイナミクス、道路需要を共同で予測する最初の統合フレームワークについて紹介する。 リアルタイム使用のために,道路エンコーダを蒸留し,外部8GBのGPUを備えたコンマ4上でTriDriveを実行する。
• 参考スコア（独自算出の注目度）: 18.094965582868262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting how drivers, vehicles, and road scenes interact and evolve together is central to driver monitoring. Prior work models in-cabin activity or traffic-conditioned driver motion in isolation, motivating joint driver, vehicle, and road modeling with real-time on-vehicle evaluation. We introduce TriDrive, to our knowledge the first unified framework that jointly forecasts driver kinematics, vehicle dynamics, and road demands through an automation-conditioned transition model. Modality-specific encoders (an anchored kinematic representation of the driver, causal CAN-bus dynamics, and frozen V-JEPA 2 road latents with structured road margins) are connected by directed residual connections through which driver and road context refine vehicle forecasts. We evaluate TriDrive on three downstream tasks. On the public AIDE benchmark, its kinematic encoder recipe sets a new full-set state of the art (SOTA) among published baselines (48.05 versus 71.47 All-MPJPE). On 197.2 hours of naturalistic BATON subset, directed connections and road margins raise assistance-engaged PR-AUC by 0.084 for steering onset and 0.286 for time-to-collision drops. For real-time use, we distill the road encoders and run TriDrive on a comma four with an external 8 GB GPU, where a lightweight current-state warning probe updates at 5 Hz with 177 ms p95 latency while the joint model forecasts concurrently. The probe is above an openpilot-based baseline on human-labeled manual-driving warnings (AUROC 0.725 versus 0.563), and in a paired on-road study 14 drivers rate its warnings as more appropriate (+1.79) and timely (+2.67) than those of openpilot's driver-monitoring system.
• Abstract（参考訳）: ドライバー、車両、道路シーンがどう相互作用し、一緒に進化するかを予測することは、ドライバーの監視の中心である。 先行作業モデルでは、車内活動や交通条件付き運転者の動きを分離し、リアルタイム車載評価による共同運転者、車両、道路モデリングを動機付けている。 我々はTriDriveを紹介し、自動化されたトランジションモデルを通じて、ドライバーの運動学、車両力学、道路要求を共同で予測する最初の統合フレームワークについて紹介する。 モダリティ特化エンコーダ(運転手の体操式表現、因果CANバスダイナミックス、構造的道路マージンを有する凍結V-JEPA2道路レイト)は、運転者および道路状況が車両の予測を洗練させる方向の残差接続によって接続される。 我々はTriDriveを3つの下流タスクで評価する。 パブリックなAIDEベンチマークでは、キネマティックエンコーダのレシピは、公開されたベースライン(48.05対71.47オールMPJPE)の中で、新しいフルセットの最先端(SOTA)を設定している。 197.2時間にわたる自然主義的BATONサブセットでは、有向接続と道路マージンがPR-AUCを0.084のステアリング・オンセット、0.286のタイム・ツー・コリエーション・ドロップで引き上げている。 実時間で使用するために,道路エンコーダを蒸留し,外部8GBのGPUでTriDriveをコンマ4で動作させる。 AUROC 0.725(AUROC 0.725 vs 0.563)より上であり、オンロード調査では14人のドライバーが、その警告をオープンパイロットの運転監視システムよりも適切(+1.79)でタイムリー(+2.67)と評価している。

関連論文リスト

• DriveMotion: A Large-Scale Multi-Source Benchmark for Driver Motion Sequence Modeling and Forecasting [19.185390523777187]
  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。
  論文  参考訳（メタデータ） (2026-09-08T01:49:18Z)
• 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)
• 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)
• PAVE: An End-to-End Dataset for Production Autonomous Vehicle Evaluation [11.024538259188347]
  このデータセットには、市場で生産される自動運転車モデルから100時間以上の自然科学的なデータが含まれている。 各キーフレームには、過去6秒と将来の5秒にまたがる20Hzの車両軌跡と、周辺車両、歩行者、信号機、交通標識の詳細な2Dアノテーションが提供されている。 AVの安全性を評価するために、自動運転車のフレーム上で平均変位誤差(ADE)1.4mの車両軌道を予測できるエンドツーエンドの運動計画モデルを用いる。
  論文  参考訳（メタデータ） (2025-11-18T06:41:34Z)
• 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)
• 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)
• 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。