[論文レビュー] Behavioral Research and Practical Models of Drivers' Attention

Iuliia Kotseruba, John K. Tsotsos|arXiv (Cornell University)|Apr 12, 2021

Human-Automation Interaction and Safety参考文献 446被引用数 4

ひとこと要約

本論文は、175件以上の行動研究および100件以上の実践的論文を統合し、ドライバーの視覚的注意に影響を与える内部要因（例：年齢、経験）および外部要因（例：自動化、注意を散らす要因）を分析する。現在の注意モデルにおける主な限界（例えば、タスク表現の欠如、安全検証の不十分さ、認知モデルの限定的であること）を特定し、人間の注意パターンに整合するように、ドライバーモニタリング、ADAS、高度自動運転システムの改善を図るための横断的フレームワークを提案する。

ABSTRACT

Driving is a routine activity for many, but it is far from simple. Drivers deal with multiple concurrent tasks, such as keeping the vehicle in the lane, observing and anticipating the actions of other road users, reacting to hazards, and dealing with distractions inside and outside the vehicle. Failure to notice and respond to the surrounding objects and events can cause accidents. The ongoing improvements of the road infrastructure and vehicle mechanical design have made driving safer overall. Nevertheless, the problem of driver inattention has remained one of the primary causes of accidents. Therefore, understanding where the drivers look and why they do so can help eliminate sources of distractions and identify unsafe attention patterns. Research on driver attention has implications for many practical applications such as policy-making, improving driver education, enhancing road infrastructure and in-vehicle infotainment systems, as well as designing systems for driver monitoring, driver assistance, and automated driving. This report covers the literature on changes in drivers' visual attention distribution due to factors, internal and external to the driver. Aspects of attention during driving have been explored across multiple disciplines, including psychology, human factors, human-computer interaction, intelligent transportation, and computer vision, each offering different perspectives, goals, and explanations for the observed phenomena. We link cross-disciplinary theoretical and behavioral research on driver's attention to practical solutions. Furthermore, limitations and directions for future research are discussed. This report is based on over 175 behavioral studies, nearly 100 practical papers, 20 datasets, and over 70 surveys published since 2010. A curated list of papers used for this report is available at \url{https://github.com/ykotseruba/attention_and_driving}.

研究の動機と目的

• ドライバーの視覚的注意配分に影響を与える要因（内部要因：例：年齢、経験、疲労、外部要因：例：自動化、注意散漫）を特定し、統合する。
• 心理学およびヒューマンファクターズ分野における行動研究と、ADAS、DMS、自動運転システム分野における実用的応用との間のギャップを埋める。
• 現在の注意モデルにおける深刻な限界（タスク表現の欠如、安全検証の不十分さ、認知モデルの不十分さ）に対処する。
• 知的輸送システムにおけるより信頼性が高く、透明性があり、安全を最優先とする注意モデルの開発に向けた横断的基盤を提供する。
• 注視点ベースの注意モデルにおける未解決問題、データの不整合性、および方法論的欠陥を特定することで、今後の研究を導く。

提案手法

• 過去10年間の175件の行動研究、100件の実践的論文、20件のデータセット、70件のアンケートを対象とした体系的文献レビュー。
• 心理学、ヒューマンファクターズ、ヒューマンコンピュータインタラクション、コンピュータビジョン、知的輸送システムの分野を横断的に統合した分析。
• 注視点を注意の代理指標として用い、実世界の運転状況におけるその限界性と信頼性を厳密に評価。
• AIおよびコンピュータビジョン分野における注意モデルのアプローチを分析し、上位のタスクコンテキストや認知的制約を組み込めていない点に注目。
• 注意の整合性という観点から、現在のADASおよびDMSシステムを評価し、警告設計および文脈に適応する仕組みの欠落を明らかにする。
• 今後のモデルに向けたフレームワークを提案：タスクベースの注意、認知リソースの割り当て、逐次処理を重視し、透明性および安全検証を重視する。

実験結果

リサーチクエスチョン

• RQ1 ドライビング経験、年齢、疲労といった内部要因は、ドライバーの視覚的注意配分にどのように影響するか？
• RQ2 車内インフォテインメント、道路沿いの広告、車両の自動化といった外部要因は、注意配分にどの程度影響を及ぼすか？
• RQ3 自動運転分野のAIベースの注意モデルは、注視点予測の精度が高くても、なぜ人間の注視パターンを再現できないのか？
• RQ4 注視点データセットを用いた注意モデルの構築における、データ収集、処理、検証における主な方法論的欠陥は何か？
• RQ5 人間の認知プロセスおよび意思決定に一致するように注意モデルをどのように改善すれば、協調的ドライバー支援および安全な自動化を実現できるか？

主な発見

• ドライバーの注意不在は、事故の主な要因の一つであり、車内システムの注意散漫や動的広告が、注意配分に顕著に悪影響を及ぼしている。
• 注視点は注意の強力な代理指標ではあるが、完全ではない。多くの研究が注視点データを行動的データや制御データで検証せず、曖昧な結論に終わっている。
• 現在のAIベースの注意モデルの多くは、明示的なタスク表現ではなく、サリエンシーと暗黙の依存関係に焦点を当てており、解釈可能性と安全性への応用性に制限がある。
• ドライビング経験や環境的文脈を考慮するモデルはごく少数であり、これらが注意パターンに強く関連しているという強力な実証的証拠にもかかわらず。
• 現在のADASシステムは、ドライバーの注意状態やシーンコンテキストを考慮しない固定型で非適応的な警告（例：音声・振動）に依存しており、効果が制限されている。
• シミュレーションによる注意モデルの検証は、実世界の検証に欠け、事故データセットは多くの場合、ドライバーの注視点データを欠いているため、より良い注意が事故を防げたかどうかを評価することが不可能である。