A Reinforcement Learning Algorithm for Speed Optimization and Optimal Energy Management of Advanced Driver Assistance Systems and Connected Vehicles

2021 ◽  
Vol 14 (3) ◽  
Author(s):  
Yohan Shim ◽  
Christopher Mollo
2017 ◽  
Vol 58 ◽  
pp. 238-244 ◽  
Author(s):  
Francesco Biondi ◽  
David L. Strayer ◽  
Riccardo Rossi ◽  
Massimiliano Gastaldi ◽  
Claudio Mulatti

Author(s):  
Sơn

Các hệ thống hỗ trợ lái xe tiên tiến (Advanced Driver Assistance Systems: ADAS) đóng một vai trò quan trọng trong hệ thống an toàn chủ động chỉ có camera và các phương tiện tự động thông minh. Đối với các ứng dụng này, các yêu cầu về hiệu suất phát hiện đáng tin cậy và thời gian thực là các yếu tố cấp thiết. Bài báo này đề xuất giải pháp tối ưu tốc độ phát hiện ô tô và giảm các cảnh báo lỗi cho các hệ thống phát hiện điểm mù. Theo đó, trước tiên chúng tôi đề xuất bộ phân tầng Cascade – AdaBoost cùng với tập dữ liệu mẫu và thuật toán đào tạo của chúng tôi. Ngoài ra, để cải thiện tốc độ phát hiện, một kĩ thuật lựa chọn vùng quan tâm (Region of Interest: ROI) cũng được sử dụng để tránh trích xuất các vùng có khả năng tạo ra các cảnh báo lỗi như là bầu trời hoặc các vùng không phù hợp với phối cảnh. Phương pháp đề xuất đã tăng tốc độ phát hiện lên ít nhất 1,9 lần và giảm cảnh báo lỗi 2,24 lần so với phương pháp truyền thống ở các ảnh có độ phân giải cao (720 x 480) với tỷ lệ phát hiện đạt 99,4% và tỷ lệ cảnh báo lỗi nhỏ là 4,08%. Phương pháp đề xuất này có thể được ứng dụng cho các xe tự hành thông minh thời gian thực.


Author(s):  
Francesco Rundo ◽  
Roberto Leotta ◽  
Sebastiano Battiato ◽  
Concetto Spampinato ◽  
Sabrina Conoci

Author(s):  
Daniel Palac ◽  
Iiona D. Scully ◽  
Rachel K. Jonas ◽  
John L. Campbell ◽  
Douglas Young ◽  
...  

The emergence of vehicle technologies that promote driver safety and convenience calls for investigation of the prevalence of driver assistance systems as well as of their use rates. A consumer driven understanding as to why certain vehicle technology is used remains largely unexplored. We examined drivers’ experience using 13 different advanced driver assistance systems (ADAS) and several reasons that may explain rates of use through a nationally-distributed survey. Our analysis focused on drivers’ levels of understanding and trust with their vehicle’s ADAS as well as drivers’ perceived ease, or difficulty, in using the systems. Respondents’ age and experience with Level 0 or Level 1 technologies revealed additional group differences, suggesting older drivers (55+), and those with only Level 0 systems as using ADAS more often. These data are interpreted using the Driver Behavior Questionnaire framework and offer a snapshot of the pervasiveness of certain driver safety systems.


Author(s):  
Miltos Kyriakidis ◽  
Carlo van de Weijer ◽  
Bart van Arem ◽  
Riender Happee

Sign in / Sign up

Export Citation Format

Share Document