[論文レビュー] Modeling road user response timing in naturalistic settings: a surprise-based framework

Johan Engström, S. Liu+2 more|arXiv (Cornell University)|Aug 18, 2022

Human-Automation Interaction and Safety被引用数 7

ひとこと要約

本論文は、驚きに基づくフレームワークを提案し、自然的交通衝突における道路利用者の反応タイミングをモデル化する。反応時間は、驚きの刺激によって引き起こされる信念更新の遅延として定義される。このフレームワークは、従来の知覚・反応時間モデルの主な限界を解消する。それは、動的で状況に特化した信念に基づいて反応タイミングを定義し、SHRP2の衝突およびニア・クラッシュデータにフィットしたヒューリスティックモデルを通じて実現可能性を示している。

ABSTRACT

There is currently no established method for evaluating human response timing across a range of naturalistic traffic conflict types. Traditional notions derived from controlled experiments, such as perception-response time, fail to account for the situation-dependency of human responses and offer no clear way to define the stimulus in many common traffic conflict scenarios. As a result, they are not well suited for application in naturalistic settings. Our main contribution is the development of a novel framework for measuring and modeling response times in naturalistic traffic conflicts applicable to automated driving systems as well as other traffic safety domains. The framework suggests that response timing must be understood relative to the subject's current (prior) belief and is always embedded in, and dependent on, the dynamically evolving situation. The response process is modeled as a belief update process driven by perceived violations to this prior belief, that is, by surprising stimuli. The framework resolves two key limitations with traditional notions of response time when applied in naturalistic scenarios: (1) The strong situation-dependence of response timing and (2) how to unambiguously define the stimulus. Resolving these issues is a challenge that must be addressed by any response timing model intended to be applied in naturalistic traffic conflicts. We show how the framework can be implemented by means of a relatively simple heuristic model fit to naturalistic human response data from real crashes and near crashes from the SHRP2 dataset and discuss how it is, in principle, generalizable to any traffic conflict scenario. We also discuss how the response timing framework can be implemented computationally based on evidence accumulation enhanced by machine learning-based generative models and the information-theoretic concept of surprise.

研究の動機と目的

• 多様な自然的交通衝突タイプにわたる人間の反応タイミングを評価するための標準化された手法の欠如に対処すること。
• 固定された刺激を仮定し、状況的文脈を無視する従来の知覚・反応時間モデルの限界を克服すること。
• 驚きの刺激によって駆動される動的信念更新に基づく、一般化可能な反応タイミングのモデル化フレームワークを提供すること。
• 自動運転システム（ADS）の反応性能を、人間の非障害的で「衝突に注目している」行動と比較して正確にベンチマーク化できること。
• 現実世界の交通シナリオにおける衝突リスク推定および安全性評価のための確率的反応時間モデルの開発を支援すること。

提案手法

• 予測処理フレームワークにおける信念更新として反応タイミングをモデル化し、反応は事前の期待の違反によって引き起こされることを仮定する。
• 情報理論的驚きを用いて、驚きの証拠（ドライバーの現在の信念状態からの逸脱）として明確に刺激を定義する。
• SHRP2データセットのヒューリスティックモデルを用いて、人間がアノテートした自然的走行データにフィットさせたヒューリスティックモデルを実装する。
• 視覚的行動（例：眼動測定）を用いて「衝突に注目している」状態を推定し、非障害的ドライバーの含むことを保証する。
• 機械学習に基づく生成モデルを統合し、エージェント行動を予測し、驚きの計算に必要な事前信念を算出する。
• 反応プロセスを意思決定への証拠蓄積としてフレーム化し、驚きが反応開始の主要な駆動要因となるように設定する。

実験結果

リサーチクエスチョン

• RQ1 刺激が曖昧で継続的に変化する自然的交通衝突において、反応タイミングを一貫して定義する方法は何か？
• RQ2 現実世界の衝突シナリオにおいて、ドライバーの事前信念状態および状況的文脈に反応タイミングがどの程度依存するか？
• RQ3 驚きによって駆動される信念更新フレームワークは、従来の知覚・反応時間モデルと比較して、より強固で一般化可能な人間の反応タイミングモデルを提供できるか？
• RQ4 限られたセンサー分解能を持つ現実の衝突およびニア・クラッシュデータを用いて、このようなフレームワークを実際的に実装する方法は何か？
• RQ5 このフレームワークは、自動運転車の評価における衝突への対応行動だけでなく、衝突回避のための能動的行動のモデル化に対してもどのような意味を持つのか？

主な発見

• 驚きに基づくフレームワークは、自然的交通衝突における刺激の曖昧さと反応タイミングの状況依存性という問題を効果的に解決した。
• SHRP2データセットのヒューリスティックモデルは、人間がアノテートした反応データにフィットさせた結果、実用的な性能を達成した。
• このフレームワークは、衝突に注目している非障害的ドライバーの反応タイミングを一貫してモデル化でき、自動運転システムの強力な人間基準を提供する。
• 生成モデルがエージェント行動を予測でき、観測された逸脱から驚きを計算できる限り、任意の交通衝突シナリオに一般化可能である。
• 将来的には、機械学習に基づく生成モデルと情報理論的驚きを用いたフレームワークの自動化が可能であるが、限られたセンサーカバレッジを持つ現実データにこのようなモデルを適合させる課題は残っている。
• このフレームワークは、長尾に及ぶ反応時間を取り込む確率的反応時間モデルの開発を支援し、集団レベルの衝突リスク推定に貢献する。