Driving Maneuver Classification Using Domain Specific Knowledge and Transfer Learning
Notice bibliographique
Résumé
With the increasing number of vehicles, the usage of technology has also been increased in the transportation system. Although automobile companies are using advanced technologies to develop high performing transports, traffic safety still remains to be a concerning issue. Drivers' driving behavior is considered as one of the key factors of the traffic safety, which could be monitored from their individual driving maneuvers. In this paper, we present a supervised learning model and a semi-supervised transfer learning model for the classification of driving maneuvers from the sensor fusion time series data. The semi-supervised model consists of an unsupervised long-short term memory (LSTM) autoencoder and a supervised LSTM classifier. The supervised model consists of a supervised LSTM model. Because of using LSTM, both of the models can analyze time-series data. In the semi-supervised model, the LSTM encoder learns from unlabeled data as a compressed low dimensional feature vector, which then transfers the learning to the supervised LSTM classifier to classify the driving maneuvers. With the proposed models, we use domain specific knowledge data of the driving environment, such as data changing rules of various driving maneuvers as well as the temporal features over time. We use class functions for seven driving maneuver types and convert those into binary feature vector to use with the LSTM models. We present a comparative analysis of the per class accuracy of the proposed semi-supervised and supervised models with and without using domain-specific knowledge, where the models with the domain specific knowledge outperform. Our proposed semi-supervised and supervised models are compared with the other existing approaches, where our models trained with the domain specific knowledge provided better performance. We also compared the per class accuracy for both the supervised and semi-supervised models, where all the maneuver class accuracy for supervised model was above 98% and semi-supervised model was above 95%. Although the supervised model outperforms the semi-supervised model, the semi-supervised model would be more beneficial in applications where the labeled driving maneuvers data are hard to capture or insufficient.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».