[논문 리뷰] Driver2vec: Driver Identification from Automotive Data

Jingbo Yang, Ruge Zhao외 4명|arXiv (Cornell University)|2021. 02. 10.

Autonomous Vehicle Technology and Safety참고 문헌 30인용 수 10

한 줄 요약

Driver2vec는 10초 분량의 자동차 센서 시계열 데이터를 행동 표현으로 임bedding하는 딥러닝 모델을 제안하며, 시간적 컨volution 네트워크, 임베딩 간 분리에 적합한 트리플릿 손실, 그리고 분류에 적합한 기울기 부스팅을 결합한다. 51명의 운전자 데이터로 훈련된 이 모델은 평균 쌍별 식별 정확도 83.1%를 달성하여 이전 방법들보다 뚜렷이 뛰어나다.

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.

연구 동기 및 목표

• 비생체 정보 기반의 방법으로 차량 센서 데이터를 활용해 운전자를 식별함으로써 개인정보 보호를 고려한 자동차 분석을 향상시키는 것.
• 차량 전조등 사용, 가속도, 추종 거리와 같은 센서 데이터를 통해 개인의 운전 행동 패턴을 모델링하는 것.
• 짧은 데이터 간격에서 운전자 고유의 행동 패턴을 포착하는 강건하고 일반화 가능한 임베딩 공간을 구축하는 것.
• 구조화된 손실 함수를 활용한 엔드 투 엔드 딥러닝을 통해 기존 접근 방식을 뛰어넘는 운전자 식별 정확도를 향상시키는 것.
• 다양한 운전 환경에서의 모델 일관성 검증과 타당한 아키텍처 선택을 입증하는 것.

제안 방법

• 시간적 컨volution 네트워크(TCN)가 짧은 10초 분량의 자동차 센서 데이터 시퀀스를 처리하여 시간적 패턴을 추출한다.
• 트리플릿 손실을 사용하여 동일한 운전자에 속하는 시퀀스의 임베딩이 다른 운전자 시퀀스의 임베딩보다 더 가까워지도록 모델을 훈련한다.
• 학습된 임베딩는 최종 분류 및 식별을 위해 기울기 부스팅 결정수형(GBDT)에 입력된다.
• 모델은 네르브테크(Nervtech)가 수집한 실제 세계의 51명의 운전자 데이터셋을 기반으로 엔드 투 엔드로 훈련된다.
• 특징 공학은 가속도율, 추종 거리, 전조등 사용과 같은 행동 지표에 집중된다.
• 아키텍처는 운전 조건과 데이터 품질의 변동성에 대비해 강건하도록 설계되었다.

실험 결과

연구 질문

• RQ1 비생체 식별자 없이도 딥러닝 모델이 10초 분량의 자동차 센서 데이터에서 정확하게 운전자를 식별할 수 있는가?
• RQ2 TCN, 트리플릿 손실, GBDT의 조합이 기존 방법에 비해 운전자 식별 성능을 어떻게 향상시키는가?
• RQ3 모델의 성능은 다양한 운전 환경과 운전자 행동에 걸쳐 일관된가?
• RQ4 각 구성 요소(TCN, 트리플릿 손실, GBDT)가 최종 식별 정확도에 기여하는 정도는 어떠한가?
• RQ5 모델은 새로운 운전자와 데이터 변형에 대해 어떻게 일반화되는가?

주요 결과

• Driver2vec는 단 10초 분량의 센서 데이터로도 평균 쌍별 운전자 식별 정확도 83.1%를 달성하여 이전 연구들보다 뚜렷이 뛰어나다.
• 모델은 다양한 운전 환경에서 일관된 성능을 보이며, 환경적·행동적 변동성에 대비한 강건성을 입증한다.
• 트리플릿 손실의 사용은 운전자 신원에 따라 임베딩를 효과적으로 분리하여 임베딩 공간 내에서의 구분 능력을 향상시킨다.
• 학습된 임베딩와 GBDT의 통합은 임베딩만을 사용할 경우보다 분류 정확도를 향상시킨다.
• 시간적 컨볼루션 네트워크는 운전자 식별에 핵심적인 짧은 시간의 행동 패턴을 효과적으로 포착한다.
• 모델의 성능은 안정적이고 일반화 가능성이 있어 실제 자동차 시스템에 실용적으로 적용될 수 있음을 시사한다.