[论文解读] Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data

Nermin Caber, Bashar I. Ahmad+6 more|arXiv (Cornell University)|Mar 26, 2023

Human-Automation Interaction and Safety被引用 1

一句话总结

本文提出了一项新颖的在道路研究，采用改进的周边检测任务收集主观工作量数据，通过监督学习实现驾驶员特征分析，并利用贝叶斯滤波框架实现实时瞬时工作量估计。该方法在平均工作量特征分类任务中达到最高92%的F1分数，在使用异步CAN总线信号进行实时工作量追踪时达到81%的F1分数，证明了个性化、上下文感知工作量估计在自适应人机交互中的有效性。

ABSTRACT

Monitoring drivers' mental workload facilitates initiating and maintaining safe interactions with in-vehicle information systems, and thus delivers adaptive human machine interaction with reduced impact on the primary task of driving. In this paper, we tackle the problem of workload estimation from driving performance data. First, we present a novel on-road study for collecting subjective workload data via a modified peripheral detection task in naturalistic settings. Key environmental factors that induce a high mental workload are identified via video analysis, e.g. junctions and behaviour of vehicle in front. Second, a supervised learning framework using state-of-the-art time series classifiers (e.g. convolutional neural network and transform techniques) is introduced to profile drivers based on the average workload they experience during a journey. A Bayesian filtering approach is then proposed for sequentially estimating, in (near) real-time, the driver's instantaneous workload. This computationally efficient and flexible method can be easily personalised to a driver (e.g. incorporate their inferred average workload profile), adapted to driving/environmental contexts (e.g. road type) and extended with data streams from new sources. The efficacy of the presented profiling and instantaneous workload estimation approaches are demonstrated using the on-road study data, showing $F_{1}$ scores of up to 92% and 81%, respectively.

研究动机与目标

• 识别自然驾驶场景中引发高瞬时心理工作量的环境与驾驶情境。
• 确定是否可根据驾驶员长期工作量行为将其聚类为不同的平均工作量特征（AWP）群体。
• 开发一种基于异步车载数据流的个性化、实时瞬时工作量估计方法。
• 通过在不同驾驶情境和个体差异下稳健且灵活地估计驾驶员工作量，实现自适应人机交互。

提出的方法

• 在自然驾驶环境中实施改进的周边检测任务，以实时收集主观工作量评分。
• 通过驾驶影像分析识别外部因素（如路口和前方车辆行为）与高瞬时工作量的相关性。
• 应用基于最先进时间序列分类器（如卷积神经网络、变换器）的监督学习框架，利用有限训练数据将驾驶员分类至不同的平均工作量特征（AWP）类别。
• 开发一种贝叶斯滤波方法，基于异步多变量CAN总线信号实现实时瞬时工作量估计。
• 该贝叶斯滤波器结合驾驶员特定属性（如推断的AWP）和上下文信息（如道路类型），实现工作量估计的个性化与自适应。
• 该滤波器采用顺序推断，结合状态转移模型与观测模型，实现低数据需求、可解释且实时的工作量追踪，无需大量再训练。

实验结果

研究问题

• RQ1 在自然驾驶环境中，哪些环境与驾驶情境会导致高瞬时工作量水平？
• RQ2 是否可以根据驾驶员长期工作量行为将其聚类为不同的平均工作量特征（AWP）群体，这些群体与自我报告的驾驶风格有何关联？
• RQ3 如何基于异步数据流，在（近）实时中结合个人与上下文信息估计驾驶员的瞬时工作量？
• RQ4 个性化与上下文感知的工作量估计在多大程度上可提升实时工作量追踪的准确性？

主要发现

• 路口和前方车辆监控被确定为引发高瞬时工作量水平的关键环境因素。
• 在驾驶员中识别出三种不同的平均工作量特征——低、中、高，证实了个体在工作量管理上的差异。
• 未发现自我报告驾驶风格与平均工作量特征之间存在明确相关性，凸显了数据驱动特征分析的必要性。
• 监督学习框架在使用有限训练数据的情况下，对驾驶员进行平均工作量特征分组分类的F1分数最高达到92%。
• 贝叶斯滤波方法在基于异步CAN总线信号进行实时瞬时工作量估计时，F1分数达到81%。
• 贝叶斯滤波器在异步数据下表现出鲁棒性，数据需求低，并能通过驾驶员特定的AWP及道路类型等上下文特征实现有效个性化。