電気自動車からの運転者行動の受動的および能動的学習【JST機械翻訳】

Comuni Federica; Meszaros Christopher; Åkerblom Niklas; Chehreghani Morteza Haghir

プレプリント

J-GLOBAL ID：202202213046655611 整理番号：22P0298829

電気自動車からの運転者行動の受動的および能動的学習【JST機械翻訳】

Passive and Active Learning of Driver Behavior from Electric Vehicles

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月04日プレプリントサーバーでの情報更新日： 2024年05月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

運転者行動のモデル化は,電気自動車のエネルギー消費の予測を含む自動車産業におけるいくつかの利点を提供する。研究は,ある運転シナリオにおいて,攻撃的運転が,適度の運転よりも最大30%多いエネルギーを消費することを示した。機械学習法は,運転者行動分類に広く使用されているが,それは,長い時間窓でのシーケンスモデリングや高価なアノテーションによるラベル付きデータの欠如のような,いくつかの課題をもたらす可能性がある。最初の挑戦,運転者行動の受動的学習を扱うために,自己注意モデルや結合再帰プロット(JRP)を持つ畳み込みニューラルネットワークのような非再帰アーキテクチャを調べ,それらを再帰モデルと比較した。自己注意モデルは良好な性能をもたらすが,JRPは顕著な改善を示さないことを見出した。しかし,本研究で使用した5秒と10秒のウィンドウ長では,非再帰モデルのどれも再帰モデルを上回らなかった。第2の挑戦に取り組むために,異なる情報性測度を用いたいくつかのアクティブ学習手法について調べた。不確実性サンプリングと,委員会による質問やアクティブ深層ドロップアウトのようなより進んだ方法を評価した。実験により,いくつかのアクティブサンプリング技法がランダムサンプリングよりも性能的に優れており,従ってアノテーションに必要な努力を低減することを示した。【JST機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

運転者 , 人工知能

, ,

前のページに戻る