論文の概要: MultiMental-IAS: A Multimodal Driver Mental State Analysis Dataset for Context-Aware Non-IID Evaluation

• arxiv url: http://arxiv.org/abs/2611.02790v1
• Date: Mon, 02 Nov 2026 09:03:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:10:59.519567
• Title: MultiMental-IAS: A Multimodal Driver Mental State Analysis Dataset for Context-Aware Non-IID Evaluation
• Title（参考訳）: MultiMental-IAS:コンテキスト認識型非IID評価のためのマルチモーダルドライバメンタル状態解析データセット
• Abstract要約: CARLA上に構築したコックピット・イン・ザ・ループシミュレーションで収集したマルチモーダルドライバ精神状態データセットを提案する。 シナリオコンテキストのチャンネルを備えた車載テレメトリ、ミューズ2のヘッドバンドからの4チャンネルのEEGと3チャンネルのPSG、23人の参加者によるキャビン対応のビデオが含まれる。 買収パイプラインの詳細を文書化し、すべてのモデルのための1つのプロトコルでベンチマークを提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Robust driver-state modelling requires synchronized physiological, behavioural, and contextual signals, yet existing open resources typically target a single cognitive state, omit continuous vehicle context, or do not define evaluation protocols that expose inter-subject heterogeneity. We present Multimental-IAS, a multimodal driver mental-state dataset collected in a cockpit-in-the-loop simulation built on CARLA. It contains vehicle telemetry with scenario-context channels, four-channel EEG and three-channel PPG from a Muse 2 headband, and cabin-facing video from 23 participants, recorded in 148 trials (11.6 hours) under six induced states: Normal, Distracted, Alerted, Stressed, Relaxed, and Drowsy. We document the acquisition pipeline in detail and provide a benchmark with one protocol for all models: chronological within-subject splits, participant-disjoint cross-subject folds, validation-based model selection, and ablations over modalities, scenario-context channels, and signal normalization. Multimodal fusion reaches a macro-F1 of 0.94 for drivers seen during training. For unseen drivers, fusing driving dynamics with per-window normalized EEG/PPG raises macro-F1 from 0.408 (telemetry alone) to 0.485, consistently across all five folds, while the gap between the two protocols quantifies the inter-driver heterogeneity that personalized models must address. Multimental-IAS thus provides a concrete testbed for non-IID generalization, personalization, and federated learning in driver monitoring.
• Abstract（参考訳）: ロバスト運転状態モデリングは、生理的、行動的、文脈的な信号の同期を必要とするが、既存のオープンリソースは通常、単一の認知状態、連続車両のコンテキストを省略するか、オブジェクト間の不均一性を露呈する評価プロトコルを定義しない。 CARLA上に構築したコックピット・イン・ザ・ループシミュレーションで収集したマルチモーダルドライバ精神状態データセットであるMultimental-IASを提案する。 シナリオコンテキストのチャンネルによる車載テレメトリ、ミューズ2のヘッドバンドからの4チャンネルのEEGと3チャンネルのPSG、23人の参加者によるキャビンに面したビデオが含まれており、ノーマル、ディストリクト、アラート、ストレスド、ラックスド、ドローシーの6つの誘発状態の下で148のトライアル(11.6時間)で記録されている。 我々は,買収パイプラインの詳細を文書化し,すべてのモデルに対して,時系列内オブジェクト分割,参加者不連続なクロスオブジェクトフォールド,バリデーションベースのモデル選択,モダリティの短縮,シナリオコンテキストチャネル,信号正規化の1つのプロトコルでベンチマークを行う。 マルチモーダル核融合は、訓練中に見られるドライバーのマクロF1の0.94に達する。 未確認ドライバでは、ウィンドウごとの正規化EEG/PPGで駆動ダイナミクスを融合させることで、マクロF1を0.408(テレメトリのみ)から0.485に引き上げる一方、2つのプロトコル間のギャップはパーソナライズされたモデルが対処しなければならないドライバ間の不均一性を定量化する。 したがって、Multimental-IASは、ドライバー監視における非IID一般化、パーソナライゼーション、およびフェデレーション学習のための具体的なテストベッドを提供する。

関連論文リスト

• Adaptive Cross-Modal Fusion with Sparse Attention for Pedestrian Crossing Intention Prediction [4.8915598762204135]
  ADAPT(Adaptive Domain-Aware Pedestrian Crossing Transformer)は、歩行者の横断意図を予測するための多モードフレームワークである。 ADAPTは、RGB画像、局所深度マップ、グローバルセマンティックマップ、グローバル深度マップを含む4つの整列された視覚モードを処理する。 JAADとPIEベンチマークデータセットの実験は、ADAPTが既存の最先端メソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-14T03:05:09Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• 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)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
  自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。 本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
  論文  参考訳（メタデータ） (2026-04-01T11:38:46Z)
• Collision-Aware Vision-Language Learning for End-to-End Driving with Multimodal Infraction Datasets [7.932761533792761]
  高屈折率は、エンド・ツー・エンド(E2E)自動運転の主要なボトルネックである。 VLAAD(Video-Language-Augmented Anomaly Detector)を開発した。 VLAADは衝突対応のプラグインモジュールで、既存のE2E駆動モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-03-26T22:32:52Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
  AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。 MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。 インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
  論文  参考訳（メタデータ） (2026-03-22T00:11:19Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。