[論文レビュー] Driver2vec: Driver Identification from Automotive Data

Jingbo Yang, Ruge Zhao+4 more|arXiv (Cornell University)|Feb 10, 2021

Autonomous Vehicle Technology and Safety参考文献 30被引用数 10

ひとこと要約

Driver2vecは、時間的畳み込みネットワーク、三重損失による埋め込み分離、勾配ブースティングによる分類を組み合わせることで、10秒間の自動車センサー時系列データを運転行動表現に埋め込む深層学習モデルを提案する。51名のドライバーで訓練された結果、平均83.1%のペairワイズ識別精度を達成し、従来の手法を顕著に上回った。

ABSTRACT

With increasing focus on privacy protection, alternative methods to identify vehicle operator without the use of biometric identifiers have gained traction for automotive data analysis. The wide variety of sensors installed on modern vehicles enable autonomous driving, reduce accidents and improve vehicle handling. On the other hand, the data these sensors collect reflect drivers' habit. Drivers' use of turn indicators, following distance, rate of acceleration, etc. can be transformed to an embedding that is representative of their behavior and identity. In this paper, we develop a deep learning architecture (Driver2vec) to map a short interval of driving data into an embedding space that represents the driver's behavior to assist in driver identification. We develop a custom model that leverages performance gains of temporal convolutional networks, embedding separation power of triplet loss and classification accuracy of gradient boosting decision trees. Trained on a dataset of 51 drivers provided by Nervtech, Driver2vec is able to accurately identify the driver from a short 10-second interval of sensor data, achieving an average pairwise driver identification accuracy of 83.1% from this 10-second interval, which is remarkably higher than performance obtained in previous studies. We then analyzed performance of Driver2vec to show that its performance is consistent across scenarios and that modeling choices are sound.

研究の動機と目的

• プライバシーを尊重する自動車アナリティクスを強化するため、バイオメトリクスを用いないドライバー識別手法を開発すること。
• ハンドル操作、加速度、追従距離などのセンサーデータを通じて、個々の運転行動をモデル化すること。
• 短いデータ期間からドライバー固有の行動パターンを捉える、強固で一般化可能な埋め込み空間を構築すること。
• 構造化された損失関数を用いたエンドツーエンドの深層学習により、既存のアプローチを上回るドライバー識別精度を実現すること。
• 多様な走行シナリオにおいてモデルの整合性を検証し、妥当なアーキテクチャ選択を示すこと。

提案手法

• 時間的畳み込みネットワーク（TCN）が、自動車センサー時系列データの短い10秒間のシーケンスを処理し、時間的パターンを抽出する。
• 三重損失を用いて、同じドライバーの埋め込みが異なるドライバーの埋め込みよりも近くなるようにモデルを学習させる。
• 学習された埋め込みを勾配ブースティング決定木（GBDT）に供給し、最終的な分類と識別を実行する。
• Nervtechが収集した実世界の51名のドライバーのデータセットを用いて、エンドツーエンドでモデルを訓練する。
• 特徴工学は、加速度率、追従距離、ハンドルネジ使用率などの行動指標に焦点を当てる。
• アーキテクチャは、走行状況やデータ品質の変動に対しても耐性を持つように設計されている。

実験結果

リサーチクエスチョン

• RQ1 バイオメトリクスを用いずに、10秒間の自動車センサー時系列データからドライバーを正確に識別できるか？
• RQ2 TCN、三重損失、GBDTの組み合わせが、従来の手法と比較してドライバー識別性能をどのように向上させるか？
• RQ3 モデルの性能は、多様な走行シナリオやドライバー行動において一貫性を示すか？
• RQ4 各コンポONENT（TCN、三重損失、GBDT）が最終的な識別精度に果たす寄与度は何か？
• RQ5 モデルは、未観測のドライバーおよびデータの変動に対してどのように一般化するか？

主な発見

• Driver2vecは、わずか10秒間のセンサー時系列データから平均83.1%のペアワイズドライバー識別精度を達成し、従来の研究を顕著に上回った。
• モデルは、さまざまな走行シナリオにおいて一貫した性能を示し、環境的・行動的変動に対して耐性があることを示した。
• 三重損失の使用により、ドライバー識別に応じた埋め込みの分離が効果的に実現され、埋め込み空間内の識別能が向上した。
• 学習済み埋め込みとGBDTの統合により、埋め込み単体を使用する場合と比較して分類精度が向上した。
• 時間的畳み込みネットワークは、ドライバー識別に不可欠な短時間の行動パターンを効果的に捉えた。
• モデルの性能は安定的かつ一般化可能であり、実世界の自動車システムへの実用的応用が示唆された。