An Efficient Deep Learning Model Based on Driver Behaviour Detection Within CAN-BUS Signals
Notice bibliographique
Résumé
Intelligent Transportation Systems (ITS) have extensively utilized driver behavior monitoring systems to mitigate the risk of traffic accidents caused by factors such as aggression and distraction.However, existing methods often rely on computer vision techniques, raising concerns about privacy violations and vulnerability to spoofing attacks.These attacks can potentially result in inaccurate analysis of driver behavior and compromise the effectiveness of the system.To mitigate this issue, the proposed system relies on in-vehicle sensors and the driving signal obtained from the CAN-BUS, which provide direct and reliable measurements of driver behavior.By analyzing real-time data collected from multiple drivers, the hybrid deep learning model is trained to recognize patterns and characteristics indicative of safe and unsafe driving behavior.The driving signal obtained from the Controller Area Network bus (CAN-BUS), including acceleration, RPM, speed, accelerator pedal value, and throttle position signal, etc., is utilized to recognize safe and unsafe driver behavior.The utilization of a hybrid deep learning model, which combines Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM), is a deliberate choice in order to harness the respective advantages of both methods.This decision is driven by the aim to overcome the challenges encountered by previous approaches by capitalizing on the strengths of CNN and LSTM.The model is trained and tested on a real-time dataset collected from multiple drivers.Experimental results demonstrate the effectiveness of the proposed method in accurately detecting driver behavior, addressing the public health concern of traffic accidents.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».