Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data

要約

ドライバーの精神的作業負荷を監視することで、車載情報システムとの安全な対話の開始と維持が容易になり、運転という主要なタスクへの影響を軽減しながら、適応的なヒューマン マシン インタラクションが実現されます。
この論文では、運転パフォーマンスデータから作業負荷を推定する問題に取り組みます。
まず、自然主義的な設定で修正された周辺検出タスクを介して主観的な作業負荷データを収集するための新しい路上研究を紹介します。
高い精神的負荷を引き起こす主な環境要因は、ビデオ分析によって特定されます。
交差点や前走車の挙動など。
2 番目に、最先端の時系列分類器 (畳み込みニューラル ネットワークや変換手法など) を使用した教師あり学習フレームワークが導入され、走行中に経験する平均作業負荷に基づいてドライバーのプロファイルが作成されます。
次に、ドライバーの瞬間的な作業負荷を (ほぼ) リアルタイムで逐次推定するためのベイジアン フィルター手法が提案されています。
この計算効率的かつ柔軟な方法は、ドライバーに合わせて簡単にカスタマイズでき (例: 推定された平均作業負荷プロファイルを組み込む)、運転/環境コンテキスト (例: 道路の種類) に適応させ、新しいソースからのデータ ストリームで拡張できます。
提示されたプロファイリングと瞬間的な作業負荷推定アプローチの有効性は、路上調査データを使用して実証され、それぞれ最大 92% と 81% の $F_{1}$ スコアを示しています。

要約(オリジナル)

Monitoring drivers’ mental workload facilitates initiating and maintaining safe interactions with in-vehicle information systems, and thus delivers adaptive human machine interaction with reduced impact on the primary task of driving. In this paper, we tackle the problem of workload estimation from driving performance data. First, we present a novel on-road study for collecting subjective workload data via a modified peripheral detection task in naturalistic settings. Key environmental factors that induce a high mental workload are identified via video analysis, e.g. junctions and behaviour of vehicle in front. Second, a supervised learning framework using state-of-the-art time series classifiers (e.g. convolutional neural network and transform techniques) is introduced to profile drivers based on the average workload they experience during a journey. A Bayesian filtering approach is then proposed for sequentially estimating, in (near) real-time, the driver’s instantaneous workload. This computationally efficient and flexible method can be easily personalised to a driver (e.g. incorporate their inferred average workload profile), adapted to driving/environmental contexts (e.g. road type) and extended with data streams from new sources. The efficacy of the presented profiling and instantaneous workload estimation approaches are demonstrated using the on-road study data, showing $F_{1}$ scores of up to 92% and 81%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google