Estimating Driver Personality Traits from On-Road Driving Data

要約

本稿では、運転支援システム用の運転データを用いたドライバーの心理的特性の推定に焦点を当てます。
個人の心理特性に応じてドライバーをサポートする運転支援システムは、適切なフィードバックを提供し、交通事故を防止します。
本研究は、こうした適応支援システムの実現に向けた第一歩として、路上運転行動データから機械学習と深層学習を用いて、認知機能、心理的運転スタイル、作業負荷感受性などのドライバーの心理的特性を推定するモデルを開発することを目的としています。
学習テクニック。
また、回帰モデリングを通じて、運転行動とトレイルメイキングテスト (TMT) や有用視野 (UFOV) テストなどのさまざまな認知機能との関係も調査しました。
提案手法は道路種別情報に着目し、運転行動から観測される様々な期間の時系列データを取得する。
まず、走行時系列データを幹線道路と交差点の2種類の道路に分割し、走行状況を検討します。
次に、データをさらにさまざまな期間の多数のシーケンスにセグメント化します。
第三に、各シーケンスから統計が計算されます。
最後に、これらの統計は、心理的特性を推定するための機械学習モデルの入力特徴として使用されます。
実験結果は、私たちのモデルがドライバーの認知機能、つまりTMT~(B)とUFOVテストスコアを、ピアソン相関係数$r$がそれぞれ0.579と0.708で推定できることを示しています。
心理的な運転スタイルや作業負荷の敏感度など、一部の特性は高精度に推定されますが、さまざまな期間セグメント化が精度を向上させるかどうかは特性に依存し、すべての特性に効果があるわけではありません。

要約(オリジナル)

This paper focuses on the estimation of a driver’s psychological characteristics using driving data for driving assistance systems. Driving assistance systems that support drivers by adapting individual psychological characteristics can provide appropriate feedback and prevent traffic accidents. As a first step toward implementing such adaptive assistance systems, this research aims to develop a model to estimate drivers’ psychological characteristics, such as cognitive function, psychological driving style, and workload sensitivity, from on-road driving behavioral data using machine learning and deep learning techniques. We also investigated the relationship between driving behavior and various cognitive functions, including the Trail Making Test (TMT) and Useful Field of View (UFOV) test, through regression modeling. The proposed method focuses on road type information and captures various durations of time-series data observed from driving behaviors. First, we segment the driving time-series data into two road types, namely, arterial roads and intersections, to consider driving situations. Second, we further segment data into many sequences of various durations. Third, statistics are calculated from each sequence. Finally, these statistics are used as input features of machine learning models to estimate psychological characteristics. The experimental results show that our model can estimate a driver’s cognitive function, namely, the TMT~(B) and UFOV test scores, with Pearson correlation coefficients $r$ of 0.579 and 0.708, respectively. Some characteristics, such as psychological driving style and workload sensitivity, are estimated with high accuracy, but whether various duration segmentation improves accuracy depends on the characteristics, and it is not effective for all characteristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google