[논문 리뷰] Modeling road user response timing in naturalistic settings: a surprise-based framework

Johan Engström, S. Liu외 2명|arXiv (Cornell University)|2022. 08. 18.

Human-Automation Interaction and Safety인용 수 7

한 줄 요약

이 논문은 자연주의적 교통 충돌 상황에서 도로 이용자의 반응 시간을 모델링하기 위한 놀라움 기반 프레임워크를 제안한다. 반응 시간은 놀라운 자극에 의해 유도되는 믿음 갱신 지연으로 정의된다. 이 프레임워크는 전통적인 인지-반응 시간 모델의 핵심 한계를 해결하며, 동적이고 상황에 특화된 믿음에 기반한 반응 시간 모델링을 가능하게 하고, SHRP2 사고 및 가까스러운 사고 데이터에 피팅된 히우리스틱 모델을 통해 실현 가능성을 입증한다.

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.

연구 동기 및 목표

• 다양한 자연주의적 교통 충돌 유형 간 인간의 반응 시간 평가를 위한 표준화된 방법의 부재를 해결하기 위해.
• 고정된 자극을 가정하고 상황적 맥락을 忽시하는 전통적인 인지-반응 시간 모델의 한계를 극복하기 위해.
• 놀라운 자극에 의해 유도되는 동적 믿음 갱신에 기반한 일반화 가능한 반응 시간 모델링 프레임워크를 제공하기 위해.
• 자동화된 주행 시스템(ADS)의 반응 성능을 비장애 상태이면서 충돌에 주목한 인간의 행동과 정확하게 비교할 수 있도록 하기 위해.
• 실생활 교통 상황에서의 사고 위험 추정 및 안전 평가를 위한 확률적 반응 시간 모델 개발을 지원하기 위해.

제안 방법

• 예측 처리 프레임워크 내에서 믿음 갱신으로서의 반응 시간을 모델링하며, 반응은 사전 기대의 위반에 의해 유도된다.
• 정보 이론적 놀라움을 사용하여 자극을 뚜렷이 정의하며, 놀라운 증거—운전자 현재 믿음 상태에서의 이탈—로 간주한다.
• SHRP2 데이터셋의 인간 애너테이션 기반 자연주의 주행 데이터를 활용해 히우리스틱 모델을 훈련시켜 프레임워크를 구현한다.
• 눈동자 행동(예: 시선 추적)을 사용해 '충돌에 주목 중' 상태를 추론하여 비장애 운전자를 포함한다.
• 기계 학습 기반의 생성 모델을 통합해 에이전트 행동을 예측하고, 놀라움 계산을 위한 사전 믿음을 계산한다.
• 반응 과정을 결정에 도달하는 데로의 증거 누적으로 프레임워크화하며, 놀라움이 반응 시작의 핵심 추진력으로 작용한다.

실험 결과

연구 질문

• RQ1 자극이 모호하고 지속적으로 변화하는 자연주의적 교통 충돌 상황에서 반응 시간은 어떻게 일관되게 정의할 수 있는가?
• RQ2 실생활 충돌 상황에서 반응 시간은 운전자의 사전 믿음 상태와 상황적 맥락에 얼마나 의존하는가?
• RQ3 놀라움에 의해 유도되는 믿음 갱신 프레임워크가 전통적인 인지-반응 시간 모델보다 더 강건하고 일반화 가능한 인간 반응 시간 모델링을 제공할 수 있는가?
• RQ4 한정된 센서 해상도를 가진 실생활 사고 및 가까스러운 사고 데이터를 사용해 이러한 프레임워크를 실용적으로 어떻게 구현할 수 있는가?
• RQ5 이 프레임워크는 자율주행차 평가에서 충돌 대응 행동뿐 아니라 충돌 회피 행동까지 모델링하는 데 어떤 의미를 갖는가?

주요 결과

• 놀라움 기반 프레임워크는 자연주의적 교통 충돌 상황에서 자극 정의의 모호성과 반응 시간의 상황적 의존성 문제를 성공적으로 해결한다.
• SHRP2 데이터셋의 인간 애너테이션 기반 반응 데이터에 피팅된 히우리스틱 모델은 실현 가능성을 입증하며 타당한 성능을 달성했다.
• 이 프레임워크는 충돌에 주목한 비장애 운전자에 대해 일관된 반응 시간 모델링을 가능하게 하여 자율주행 시스템 평가를 위한 강력한 인간 기준을 제공한다.
• 생성 모델이 에이전트 행동을 예측하고 관측된 이탈에서 놀라움을 계산할 수 있는 모든 교통 충돌 상황에 이 접근법이 일반화 가능하다.
• 기계 학습 기반의 생성 모델과 정보 이론적 놀라움을 활용한 프레임워크의 자동화는 가능하지만, 제한된 센서 커버리지의 실생활 데이터에 이러한 모델을 피팅하는 데 도전 과제가 남아 있다.
• 이 프레임워크는 장시간 반응 시간을 포괄하고 인구 수준의 사고 위험 추정에 기여할 수 있는 확률적 반응 시간 모델 개발을 지원한다.