[論文レビュー] An Automated Machine Learning (AutoML) Method for Driving Distraction Detection Based on Lane-Keeping Performance

Chen Chai, Juanwu Lu+3 more|arXiv (Cornell University)|Mar 10, 2021

Human-Automation Interaction and Safety被引用数 14

ひとこと要約

本論文では、車両の走行補正性能データを用いて、スマートフォン関連の運転中の注意散漫を検出する自動機械学習（AutoML）フレームワークであるAutoGBMを提案する。知識ベース特徴抽出、再帰的特徴選択（RFE）、ベイズ最適化によるハイパーパrameterチューニングを統合することで、集団レベルで80%、個別レベルで90%を超える精度を達成し、ドライバー個々の差異に高い適応性と信頼性を示した。

ABSTRACT

With the enrichment of smartphones, driving distractions caused by phone usages have become a threat to driving safety. A promising way to mitigate driving distractions is to detect them and give real-time safety warnings. However, existing detection algorithms face two major challenges, low user acceptance caused by in-vehicle camera sensors, and uncertain accuracy of pre-trained models due to drivers individual differences. Therefore, this study proposes a domain-specific automated machine learning (AutoML) to self-learn the optimal models to detect distraction based on lane-keeping performance data. The AutoML integrates the key modeling steps into an auto-optimizable pipeline, including knowledge-based feature extraction, feature selection by recursive feature elimination (RFE), algorithm selection, and hyperparameter auto-tuning by Bayesian optimization. An AutoML method based on XGBoost, termed AutoGBM, is built as the classifier for prediction and feature ranking. The model is tested based on driving simulator experiments of three driving distractions caused by phone usage: browsing short messages, browsing long messages, and answering a phone call. The proposed AutoGBM method is found to be reliable and promising to predict phone-related driving distractions, which achieves satisfactory results prediction, with a predictive power of 80\% on group level and 90\% on individual level accuracy. Moreover, the results also evoke the fact that each distraction types and drivers require different optimized hyperparameters values, which reconfirm the necessity of utilizing AutoML to detect driving distractions. The purposed AutoGBM not only produces better performance with fewer features; but also provides data-driven insights about system design.

研究の動機と目的

• 車内カメラに依存しない非侵襲的な走行補正性能データを用いて、車両内カメラベースの注意散漫検出におけるユーザー受容性の低さを是正する。
• 個々のドライバーの差異や不均衡なデータセットに起因する既存モデルの課題を克服する。
• モデル選択、特徴工学、ハイパーパrameterチューニングを自己最適化するエンドツーエンドの自動化パイプラインを構築する。
• ドライバー種別ごとに重要な特徴と最適なモデル構成を特定することで、ドライバーモニタリングシステム設計にデータ駆動型の知見を提供する。

提案手法

• 側方逸脱、ステアリング角、およびその統計的・時間的特徴を含む走行補正性能データから知識ベース特徴抽出を実施する。
• 再帰的特徴選択（RFE）を用いて予測力の高い特徴をランク付け・選択し、次元削減を実現しながらも予測性能を維持する。
• XGBoostのハイパーパrameter、特に学習率、最大深さ、L1/L2正則化をベイズ最適化で自動チューニングする。
• アルゴリズム選択とハイパーパrameterチューニングを統合した1つのAutoMLパイプラインを構築し、モデル全体の自己最適化を可能にする。
• XGBoostをベース分類器として採用した。これは、耐障害性、解釈可能性、ノイズや欠損値の多いデータへの対応力に優れているため。
• 決定木からの重みベースおよび利益ベースの特徴重要度スコアを活用し、特徴の関連性を評価・順位付けする。

実験結果

リサーチクエスチョン

• RQ1 車内カメラに依存せず、走行補正性能データのみを用いてAutoMLパイプラインが運転中の注意散漫を効果的に検出できるか？
• RQ2 AutoMLアプローチは、注意散漫検出の正確性においてドライバー個々の差異をどのように処理するか？
• RQ3 短いメッセージ閲覧、長いメッセージ読込、通話応答などの異なる種類のスマートフォン関連の注意散漫を検出するための最適なハイパーパrameter設定は何か？
• RQ4 RFEによる特徴選択は、注意散漫検出におけるモデル性能と解釈可能性をどの程度向上させるか？
• RQ5 若年層対比高年齢層、危険志向対比慎重志向ドライバーなどの異なるドライバー属性において、AutoMLシステムの性能はどのように比較されるか？

主な発見

• AutoGBMは28名のドライバーを対象に、集団レベルで80%、個別レベルで90%を超える予測精度を達成し、優れた一般化性能と信頼性を示した。
• 異なる注意散漫タイプにはそれぞれ異なる最適なハイパーパrameter設定が必要であることが確認され、AutoMLによる個別化チューニングの必要性が裏付けられた。
• 若年層や危険志向ドライバーは、高年齢層や慎重志向ドライバーに比べて注意散漫の検出が容易で、必要な推定器数が少なく、より高い正確性を達成した。
• 長時間のメッセージ読込のような複雑な注意散漫を検出するには、より深いモデル構造、多数の推定器、強いL1/L2正則化が必要であり、高い正確性を達成するためであった。
• AutoMLパイプラインは特徴数を削減しながらも高い性能を維持できたことから、その効率性と解釈可能性が顕著に示された。
• 本手法は、ドライバーモニタリングシステム設計におけるデータ駆動型の知見を明らかにした。たとえば、特定の走行補正特徴やドライバー種別ごとの最適なモデル構成の重要性が明らかになった。