論文の概要: Traffic-Context-Aware Driver Emotion Recognition with Expectation-Deviation-Driven Inference

• arxiv url: http://arxiv.org/abs/2610.33713v1
• Date: Sat, 24 Oct 2026 14:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.426669
• Title: Traffic-Context-Aware Driver Emotion Recognition with Expectation-Deviation-Driven Inference
• Title（参考訳）: 予測決定型推論を用いた交通環境対応ドライバ感情認識
• Abstract要約: 本稿では,車内信号と車外交通シナリオを統合した交通コンテキスト対応ドライバ感情認識フレームワークを提案する。 TADERは、自然主義とシミュレートされた運転環境の両方で最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 5.791475495341447
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Driver emotion provides an important indication of how drivers perceive and evaluate ongoing traffic situations, making reliable emotion recognition an important capability for effective human-vehicle interaction. Yet, most existing driver emotion recognition approaches rely primarily on in-cabin images and overlook how surrounding traffic interactions shape driver emotional responses. To address this limitation, we propose a traffic-context-aware driver emotion recognition (TADER) framework that integrates in-cabin signals with out-of-cabin traffic scenarios, modeling driver emotions as arising from expectation deviation represented by the discrepancy between predicted and observed vehicle trajectories. The proposed framework comprises two key components: (1) a vision-based base recognizer that extracts spatiotemporal representations from in-cabin facial images to infer driver emotions, and (2) a traffic-context-aware fusion module that quantifies expectation deviation from external traffic scenarios and integrates it into the base recognizer via attention-based embedding fusion. To overcome the scarcity of paired in-cabin and out-of-cabin data, we introduce a transfer learning strategy that transfers a trajectory prediction model trained on large-scale naturalistic datasets to smaller paired datasets. Extensive experiments demonstrate that TADER consistently outperforms state-of-the-art methods across both naturalistic and simulated driving environments by incorporating traffic context information into emotion recognition, resulting in improvements of 5% in accuracy on the AIDE and manD datasets.
• Abstract（参考訳）: ドライバーの感情は、ドライバーが進行中の交通状況をどのように認識し、評価しているかを示す重要な指標であり、信頼性の高い感情認識は、人間と車両の効果的な相互作用にとって重要な能力である。 しかし、既存のほとんどのドライバーの感情認識アプローチは、主にキャビン内のイメージに依存しており、周囲の交通相互作用がドライバーの感情反応をいかに形作るかを見落としている。 この制限に対処するために、車内信号とキャビン外の交通シナリオを統合した交通コンテキスト対応ドライバ感情認識(TADER)フレームワークを提案し、予測された車両軌道と観測された車両軌道との相違によって表される期待偏差から生じるドライバー感情をモデル化する。 提案フレームワークは,(1)キャビン内顔画像から時空間表現を抽出して運転者の感情を推定する視覚ベース認識装置,(2)外部交通シナリオからの予測偏差を定量化し,注意ベースの埋め込み融合によりベース認識装置に統合する交通コンテキスト対応融合モジュール,の2つのキーコンポーネントから構成される。 そこで本研究では,大規模な自然科学データセットに基づいて学習した軌道予測モデルを,より小さなペアのデータセットに転送するトランスファー学習手法を提案する。 広範囲にわたる実験により、TADERは、交通状況情報を感情認識に組み込むことで、自然主義とシミュレートされた運転環境の両方で最先端の手法を一貫して上回り、その結果、AIDEとmanDデータセットの精度は5%向上した。

関連論文リスト

• SIREN-Bench: Behavior-Driven Generation and Evaluation of Emergency-Vehicle Interactions [4.523530339704703]
  行動駆動型SUMO-CARLA共言語プラットフォームである textbfSIREN について述べる。 このプラットフォームをtextbfSIREN-v1 としてインスタンス化し,緊急レベル L1-L3 の7つのパラメータ化インタラクションテンプレートと3つの行動ファミリからなる。 本稿では,3次元物体検出,軌道予測,視覚言語によるリスク理解という3つの代表的な課題を通じてベンチマークを実証する。
  論文  参考訳（メタデータ） (2026-08-25T05:41:34Z)
• PRIMEDrive-CoT: A Precognitive Chain-of-Thought Framework for Uncertainty-Aware Object Interaction in Driving Scene Scenario [1.1142444517901016]
  PRIMEDrive-CoTは、駆動シナリオにおけるオブジェクトインタラクションとChain-of-Thought(CoT)推論のための新しい不確実性認識モデルである。 提案手法は,LiDARに基づく3Dオブジェクト検出とマルチビューRGB参照を組み合わせることで,解釈可能で信頼性の高いシーン理解を実現する。
  論文  参考訳（メタデータ） (2025-04-08T11:06:02Z)
• Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
  運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。 従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。 ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
  論文  参考訳（メタデータ） (2025-02-27T13:43:17Z)
• 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)
• Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
  本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。 このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。 我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
  論文  参考訳（メタデータ） (2023-09-05T06:28:13Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。