[論文レビュー] AIoT-based Continuous, Contextualized, and Explainable Driving Assessment for Older Adults

Yimeng Liu, Fangwei Zhang+10 more|arXiv (Cornell University)|Feb 28, 2026

Older Adults Driving Studies被引用数 0

ひとこと要約

この論文は、AIoTフレームワークのAURAを提案します。高齢者の継続的で文脈を考慮した、説明可能な運転評価を実現するため、マルチモーダルな車内センサとエッジコンピューティングを用いて、老化に伴う変化と状況的要因を区別します。

ABSTRACT

The world is undergoing a major demographic shift as older adults become a rapidly growing share of the population, creating new challenges for driving safety. In car-dependent regions such as the United States, driving remains essential for independence, access to services, and social participation. At the same time, aging can introduce gradual changes in vision, attention, reaction time, and driving control that quietly reduce safety. Today's assessment methods rely largely on infrequent clinic visits or simple screening tools, offering only a brief snapshot and failing to reflect how an older adult actually drives on the road. Our work starts from the observation that everyday driving provides a continuous record of functional ability and captures how a driver responds to traffic, navigates complex roads, and manages routine behavior. Leveraging this insight, we propose AURA, an Artificial Intelligence of Things (AIoT) framework for continuous, real-world assessment of driving safety among older adults. AURA integrates richer in-vehicle sensing, multi-scale behavioral modeling, and context-aware analysis to extract detailed indicators of driving performance from routine trips. It organizes fine-grained actions into longer behavioral trajectories and separates age-related performance changes from situational factors such as traffic, road design, or weather. By integrating sensing, modeling, and interpretation within a privacy-preserving edge architecture, AURA provides a foundation for proactive, individualized support that helps older adults drive safely. This paper outlines the design principles, challenges, and research opportunities needed to build reliable, real-world monitoring systems that promote safer aging behind the wheel.

研究の動機と目的

• 認知・感覚の低下と高齢ドライバーの増加により、運転の安全性を促進する動機づけ。
• 自然な設定で細粒度の行動を捉える継続的な実世界運転評価フレームワークを開発。
• 年齢に伴う変化を環境要因と分離する文脈認識解釈を実現。
• ドライバー、家族、臨床医に実用的な行動可能な説明可能AI出力を提供。

提案手法

• 継続的でプライバシー保護された車内センサとエッジ処理のためのAIoTフレームワークであるAURAを導入。
• 車両制御、車内挙動、環境文脈を捉えるマルチモーダルセ sensingを使用。
• 文脈認識データ融合と縦断モデリングを用いて行動軌跡と安全指標を生成。
• 因果・機械的解釈と車内配備によるプライバシー保護を通じた説明可能AIを組み込む。
• 高齢者の運転パターンを研究し、解釈可能な非監視分析パイプラインを開発するためにCARLAシミュレータ、LongROAD、DRIVESなどのデータセットを活用。

Figure 1 . Overview of AURA

実験結果

リサーチクエスチョン

• RQ1 継続的な現実世界の運転データをどのように用いて高齢ドライバーの認知・機能変化を評価できるか。
• RQ2 要因としての文脈要因（交通、天候、先行車など）は年齢に関連する運転行動をどう変調するか。
• RQ3 運転信号をどのように説明可能で臨床的に有用な評価・介入へ変換できるか。
• RQ4 どのモデリング手法が安定した、解釈可能な洞察を生み出し、不透明な予測を避けられるか。

主な発見

• 高齢者はブレーキ/アクセルの変化が遅くなる傾向、速度が低くなる傾向、頭部スキャンが多い傾向を、シミュレータと実世界のデータの両方で示した。
• 高齢者の運転は文脈依存が高く、先行車の存在や天候条件が行動パターンを著しく変える。
• LongROADとDRIVESデータは、 aging関連の移動性低下と強い自己規制を示し、夜間運転の回避やルート嗜好を含む。
• PCAとクラスタリングは、個々の運転者内での強い安定性と多様な個人プロフィールを示す一方、個々の認知状態での分離は限定的だった。
• 説明可能AIの課題を認識しており、現行のUnsovrisedアプローチは署名を識別するが根本的な原因を明らかにしない。因果モデリングの必要性を強調。

Figure 2 . Overview of the CARLA simulator environment employed for controlled driving data collection.