Data-driven Semi-supervised Machine Learning with Surrogate Safety Measures for Abnormal Driving Behavior Detection

要約

異常な運転行動の検出は、道路交通の安全とドライバーの行動の評価にとって重要です。
機械学習 (ML) アルゴリズムの進歩と自然な運転データの蓄積により、異常な運転行動の検出に多くの ML モデルが採用されています。
既存の ML ベースの検出器のほとんどは、（完全に）教師付き ML 手法に依存しており、これには大量のラベル付きデータが必要です。
ただし、現実の世界ではグラウンド トゥルース ラベルが常に利用できるわけではなく、大量のデータにラベルを付けるのは面倒です。
したがって、異常検出プロセスをより実現可能かつ効率的にするために、教師なしまたは半教師ありの方法を検討する必要があります。
この研究ギャップを埋めるために、この研究では、いくつかの異常な運転行動 (急加速、急激な車線変更など) を明らかにする大規模な実世界データを分析し、部分的に使用して階層的エクストリーム学習マシン (HELM) ベースの半教師あり ML 手法を開発します。
ラベル付きデータを使用して、特定された異常な運転行動を正確に検出します。
さらに、これまでの ML ベースのアプローチでは、主に基本的な車両運動の特徴 (速度や加速度など) を利用して異常な運転行動をラベル付けして検出していましたが、この研究では、ML モデルの入力特徴として代替安全対策 (SSM) を導入して、運転行動の改善を目指しています。
検出性能。
広範な実験の結果は、導入された SSM が重要な機能として機能する、提案された半教師あり ML モデルの有効性を示しています。
提案された半教師あり ML 手法は、さまざまな指標に関して他のベースラインの半教師ありまたは教師なし手法よりも優れており、たとえば、99.58% で最高の精度、0.9913 で最高の F-1 測定を実現します。
このアブレーション研究は、検出性能を向上させるための SSM の重要性をさらに強調しています。

要約(オリジナル)

Detecting abnormal driving behavior is critical for road traffic safety and the evaluation of drivers’ behavior. With the advancement of machine learning (ML) algorithms and the accumulation of naturalistic driving data, many ML models have been adopted for abnormal driving behavior detection. Most existing ML-based detectors rely on (fully) supervised ML methods, which require substantial labeled data. However, ground truth labels are not always available in the real world, and labeling large amounts of data is tedious. Thus, there is a need to explore unsupervised or semi-supervised methods to make the anomaly detection process more feasible and efficient. To fill this research gap, this study analyzes large-scale real-world data revealing several abnormal driving behaviors (e.g., sudden acceleration, rapid lane-changing) and develops a Hierarchical Extreme Learning Machines (HELM) based semi-supervised ML method using partly labeled data to accurately detect the identified abnormal driving behaviors. Moreover, previous ML-based approaches predominantly utilize basic vehicle motion features (such as velocity and acceleration) to label and detect abnormal driving behaviors, while this study seeks to introduce Surrogate Safety Measures (SSMs) as the input features for ML models to improve the detection performance. Results from extensive experiments demonstrate the effectiveness of the proposed semi-supervised ML model with the introduced SSMs serving as important features. The proposed semi-supervised ML method outperforms other baseline semi-supervised or unsupervised methods regarding various metrics, e.g., delivering the best accuracy at 99.58% and the best F-1 measure at 0.9913. The ablation study further highlights the significance of SSMs for advancing detection performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google