[論文レビュー] Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data

Nermin Caber, Bashar I. Ahmad+6 more|arXiv (Cornell University)|Mar 26, 2023

Human-Automation Interaction and Safety被引用数 1

ひとこと要約

本論文は、修正された周辺検出タスクを用いた新しい路上研究を提案し、被験者の主観的負荷データを収集することで、教師あり学習によるドライバー特徴抽出と、ベイジアンフィルタリングフレームワークを用いたリアルタイム瞬間的負荷推定を実現する。平均負荷プロファイル分類では最大92%のF1スコアを達成し、非同期CANバス信号を用いたリアルタイム負荷追跡では81%のF1スコアを達成しており、適応的HMIに向けたパーソナライズ型で文脈に配慮した負荷推定の有効性が示された。

ABSTRACT

Monitoring drivers' mental workload facilitates initiating and maintaining safe interactions with in-vehicle information systems, and thus delivers adaptive human machine interaction with reduced impact on the primary task of driving. In this paper, we tackle the problem of workload estimation from driving performance data. First, we present a novel on-road study for collecting subjective workload data via a modified peripheral detection task in naturalistic settings. Key environmental factors that induce a high mental workload are identified via video analysis, e.g. junctions and behaviour of vehicle in front. Second, a supervised learning framework using state-of-the-art time series classifiers (e.g. convolutional neural network and transform techniques) is introduced to profile drivers based on the average workload they experience during a journey. A Bayesian filtering approach is then proposed for sequentially estimating, in (near) real-time, the driver's instantaneous workload. This computationally efficient and flexible method can be easily personalised to a driver (e.g. incorporate their inferred average workload profile), adapted to driving/environmental contexts (e.g. road type) and extended with data streams from new sources. The efficacy of the presented profiling and instantaneous workload estimation approaches are demonstrated using the on-road study data, showing $F_{1}$ scores of up to 92% and 81%, respectively.

研究の動機と目的

• 自然的運転状況における高瞬間的認知的負荷を引き起こす環境的および走行的文脈を特定すること。
• ドライバーが長期間にわたる負荷行動に基づいて、明確に分離可能な平均負荷プロファイル（AWP）グループに分類可能かどうかを特定すること。
• 非同期の車両データストリームから、パーソナライズ型でリアルタイムに瞬間的負荷を推定する手法を開発すること。
• 異なる走行状況や個人差にわたって、ドライバー負荷を堅牢かつ柔軟に推定することで、適応的ヒューマンマシンインタラクションを可能にすること。

提案手法

• 自然的運転状況において、修正された周辺検出タスクを実施し、リアルタイムで被験者の主観的負荷レーティングを収集した。
• 走行映像の分析を用いて、交差点や前方車両の挙動などの外部要因が高瞬間的負荷と相関するかを特定した。
• 最先端の時系列分類器（例：CNN、トランスフォーマー）を基盤とする教師あり学習フレームワークを用い、限られた訓練データでドライバーを明確な平均負荷プロファイル（AWP）カテゴリに分類した。
• 非同期で多変量のCANバス信号から、近似リアルタイムで瞬間的負荷を推定するためのベイジアンフィルタリング手法を開発した。
• ドライバー固有の属性（例：推定されたAWP）と文脈的情報（例：道路種別）を組み込むことで、負荷推定のパーソナライズ化と適応化を実現した。
• 状態遷移モデルと観測モデルを用いた逐次推論により、大量の再トレーニングを必要とせず、低データ量でも説明可能でリアルタイムな負荷追跡が可能となった。

実験結果

リサーチクエスチョン

• RQ1 自然的運転状況において、どのような環境的および走行的文脈が高瞬間的負荷レベルを引き起こすか？
• RQ2 ドライバーは、長期間の負荷行動に基づいて明確に分離可能な平均負荷プロファイル（AWP）グループに分類可能か？また、これらのグループは自己報告の運転スタイルとどのように関連するか？
• RQ3 非同期データストリームから、個人的および文脈的情報を統合しながら、ドライバーの瞬間的負荷を（近似）リアルタイムに推定する方法は何か？
• RQ4 パーソナライズ型で文脈に配慮した負荷推定は、リアルタイム負荷追跡の精度をどの程度向上できるか？

主な発見

• 交差点や前方車両の監視が、高瞬間的負荷レベルを引き起こす主要な環境要因であると特定された。
• ドライバーの間で、低、中、高の3つの明確な平均負荷プロファイルが同定され、負荷管理における個人差が裏付けられた。
• 自己報告の運転スタイルと平均負荷プロファイルとの間に明確な相関は認められず、データ駆動型の特徴抽出の必要性が浮き彫りになった。
• 教師あり学習フレームワークは、限られた訓練データを用いてドライバーをそれぞれの平均負荷プロファイルグループに分類する際、最大92%のF1スコアを達成した。
• ベイジアンフィルタリング手法は、非同期CANバス信号からリアルタイム瞬間的負荷推定を行う際、81%のF1スコアを達成した。
• ベイジアンフィルタは非同期データに強く、低データ量でも効果的に動作し、ドライバー固有のAWPと道路種別などの文脈的特徴を用いた効果的なパーソナライズ化を示した。