[논문 리뷰] AIoT-based Continuous, Contextualized, and Explainable Driving Assessment for Older Adults

Yimeng Liu, Fangwei Zhang외 10명|arXiv (Cornell University)|2026. 02. 28.

Older Adults Driving Studies인용 수 0

한 줄 요약

이 논문은 노인들의 지속적이고 맥락 인식적이며 설명 가능한 운전 평가를 위한 AIoT 프레임워크인 AURA를 제시합니다. 다중 모드 차량 내 센싱과 엣지 컴퓨팅을 사용하여 노화 관련 변화와 상황 요인을 구분합니다.

ABSTRACT

The world is undergoing a major demographic shift as older adults become a rapidly growing share of the population, creating new challenges for driving safety. In car-dependent regions such as the United States, driving remains essential for independence, access to services, and social participation. At the same time, aging can introduce gradual changes in vision, attention, reaction time, and driving control that quietly reduce safety. Today's assessment methods rely largely on infrequent clinic visits or simple screening tools, offering only a brief snapshot and failing to reflect how an older adult actually drives on the road. Our work starts from the observation that everyday driving provides a continuous record of functional ability and captures how a driver responds to traffic, navigates complex roads, and manages routine behavior. Leveraging this insight, we propose AURA, an Artificial Intelligence of Things (AIoT) framework for continuous, real-world assessment of driving safety among older adults. AURA integrates richer in-vehicle sensing, multi-scale behavioral modeling, and context-aware analysis to extract detailed indicators of driving performance from routine trips. It organizes fine-grained actions into longer behavioral trajectories and separates age-related performance changes from situational factors such as traffic, road design, or weather. By integrating sensing, modeling, and interpretation within a privacy-preserving edge architecture, AURA provides a foundation for proactive, individualized support that helps older adults drive safely. This paper outlines the design principles, challenges, and research opportunities needed to build reliable, real-world monitoring systems that promote safer aging behind the wheel.

연구 동기 및 목표

• 인지 및 감각 저하와 증가하는 고령 운전자 비율로 인해 운전에서 더 안전한 노화를 촉진한다.
• 자연스러운 환경에서 미세한 행동을 포착하는 연속적이고 실제 세계의 운전 평가 프레임워크를 개발한다.
• 환경 요인으로부터 노화 관련 변화를 구분하기 위한 맥락 인식 해석을 가능하게 한다.
• 운전자, 가족, 임상의가 실행 가능하도록 설명 가능한 AI 출력물을 제공한다.

제안 방법

• 연속적이고 프라이버시를 보존하는 차량 내 센싱 및 엣지 처리용 AIoT 프레임워크 AURA를 도입한다.
• 차량 제어, 차량 내 행동, 환경 맥락을 포착하기 위해 다중 모드 센싱을 사용한다.
• 맥락 인식형 데이터 융합 및 종적 모델링을 적용하여 행동 궤적과 안전 지표를 생성한다.
• 원인적, 기작적 해석을 통한 설명 가능한 AI를 통합하고 프라이버시를 위해 차량 내 배치를 수행한다.
• 데이터 세트(CARLA 시뮬레이터, LongROAD, DRIVES)를 활용하여 고령 운전 패턴을 연구하고 해석 가능한 비지도 분석 파이프라인을 개발한다.

Figure 1 . Overview of AURA

실험 결과

연구 질문

• RQ1 연속적이고 실제 세계의 운전 데이터가 어떻게 고령 운전자의 인지 및 기능 변화 평가에 활용될 수 있는가?
• RQ2 어떤 맥락 요인들(교통, 날씨, 선행 차량)이 노화 관련 운전 행동을 조절하는가?
• RQ3 운전 신호를 어떻게 설명 가능한 임상적으로 유용한 평가 및 개입으로 변환할 수 있는가?
• RQ4 어떤 모델링 접근 방식이 불투명한 예측이 아닌 안정적이고 해석 가능한 통찰을 제공하는가?

주요 결과

• 노년층은 시뮬레이션 및 실제 데이터 모두에서 제동/가속 변화가 느리고 속도가 낮으며 머리 회전(헤드 스캐닝)이 더 많다.
• 고령 운전은 맥락 의존적이며 선행 차량의 존재와 날씨 조건이 행동 패턴을 크게 바꾼다.
• LongROAD 및 DRIVES 데이터는 노화 관련 이동성 감소와 강한 자기조절을 보여주며, 야간 운전 회피 및 경로 선호를 포함한다.
• PCA와 클러스터링은 운전자 내에서 강한 일관성과 다양한 개인 프로필을 시사하지만, 개인 간 인지 상태에 따른 구분은 제한적이다.
• 설명 가능한 AI의 도전 과제를 인정한다; 현재의 Unsurved approaches는 신호를 식별하지만 기본 원인을 밝히지 못하므로 인과 모델링의 필요성이 부각된다.

Figure 2 . Overview of the CARLA simulator environment employed for controlled driving data collection.