[論文レビュー] A Machine Learning Smartphone-based Sensing for Driver Behavior Classification

Sarra Ben Brahim, Hakim Ghazzai+2 more|arXiv (Cornell University)|Feb 1, 2022

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

本稿では、Carlaシミュレータ内で加速度計、ジャイロスコープ、GPSのセンサーフュージョンを用いた、スマートフォン専用の低コストなドライバー行動分類システムを提案する。時間系列データを用いた勾配ブースティング（LightGBM、XGBoost、CatBoost）およびLSTMベースのモデルを評価し、LightGBMで最大88％のF1スコアを達成した。これは、さまざまな道路状況および天候条件下でも、通常、中程度、攻撃的、危険なドライビング行動を高精度に検出できることを示している。

ABSTRACT

Driver behavior profiling is one of the main issues in the insurance industries and fleet management, thus being able to classify the driver behavior with low-cost mobile applications remains in the spotlight of autonomous driving. However, using mobile sensors may face the challenge of security, privacy, and trust issues. To overcome those challenges, we propose to collect data sensors using Carla Simulator available in smartphones (Accelerometer, Gyroscope, GPS) in order to classify the driver behavior using speed, acceleration, direction, the 3-axis rotation angles (Yaw, Pitch, Roll) taking into account the speed limit of the current road and weather conditions to better identify the risky behavior. Secondly, after fusing inter-axial data from multiple sensors into a single file, we explore different machine learning algorithms for time series classification to evaluate which algorithm results in the highest performance.

研究の動機と目的

• 組み込みセンサーのみを用いた、リアルタイムのドライバー行動分類のための低コストでスマートフォン専用のソリューションを開発すること。
• 実世界のデータ収集を避けることで、プライバシーと信頼性の問題に対処するため、シミュレーションデータを用いること。
• 特にGBDTとLSTMアーキテクチャを対象とした、複数の機械学習モデルを評価・比較し、ドライビング行動を4段階のリスクレベルに分類すること。
• 速度制限、天候状況、交通標識などの文脈的要因を分類フレームワークに統合すること。
• シミュレートされたリアルなドライブシナリオを用いて、ファミリー管理や保険応用に適した汎用的でスケーラブルなフレームワークを提供すること。

提案手法

• さまざまな道路種別、速度制限、天候状況下で、スマートフォンのセンサー（加速度計、ジャイロスコープ、GPS）を用いてCarlaシミュレータからデータを収集する。
• 多軸加速度計およびジャイロスコープのデータと、GPSの速度と方位を統合して、時間系列データとして統合する。
• 時間系列データは、均一な周波数に再サンプリングされ、モデル入力用に正規化される。
• スライディングウィンドウ手法により、各走行を1分間の区間に分割し、行動分類を可能にし、走行内での行動分析を可能にする。
• 3つの勾配ブースティング意思決定木（LightGBM、XGBoost、CatBoost）と、3つのLSTMベースのアーキテクチャ（LSTM、CNN-LSTM、FCN-LSTM）を訓練および評価する。
• ハイパーパramータチューニングはランダムサーチを用い、学習率、木の深さ、推定器数、L2正則化を最適化する。

Figure 1 : Proposed workflow of the AI-based driver behavior classification.

実験結果

リサーチクエスチョン

• RQ1 加速度計、ジャイロスコープ、GPSの3つのセンサーのみを用いたスマートフォンベースのセンシングが、通常、中程度、攻撃的、危険なドライビング行動の4段階のリスクレベルに効果的に分類できるか。
• RQ2 特にGBDTとLSTMベースのアーキテクチャを用いた、さまざまな機械学習モデルが、シミュレートされたスマートフォンセンサーデータからドライビング行動を分類する性能はいかほどか。
• RQ3 速度制限や天候状況などの文脈的要因が、ドライビング行動分類の精度に与える影響は何か。
• RQ4 F1スコアと不均衡データに対する一般化性能の観点から、どのハイパーパramータ設定が最高のパフォーマンスを示すか。
• RQ5 多軸加速度計およびジャイロスコープデータのセンサーフュージョンは、単一センサーアプローチと比較して分類精度を向上させるか。

主な発見

• LightGBMはテストセットで最高のF1スコア88％を達成し、XGBoost（83％）およびCatBoost（81％）をすべての指標で上回った。
• XGBoostは最も高速に学習が完了し、ハイパーパramータチューニングと分類を数秒で完了した。
• LSTMベースのモデルの中で、FCN-LSTMが最良のF1スコア74％を達成し、標準LSTM（58％）およびCNN-LSTM（68％）を上回った。
• スライディングウィンドウ手法により、1分間の走行セグメントのリアルタイム分類が可能となり、異常な加速度（例：AccelXでの過速度）に基づく危険行動の検出が可能になった。
• 不均衡データに対しても、マクロ平均を用いることで、フレームワークは頑健な性能を示した。LightGBMはマクロF1スコア88％、正解率88％を達成した。
• シミュレーションベースのデータ収集手法は、変動する速度制限や天候効果を含む、実世界の走行状況を効果的に再現でき、プライバシーの懸念がなく、信頼性のある行動プロファイル作成を可能にした。

Figure 2 : Smartphone sensors collected using the Carla simulator.