[论文解读] Driver2vec: Driver Identification from Automotive Data

Jingbo Yang, Ruge Zhao+4 more|arXiv (Cornell University)|Feb 10, 2021

Autonomous Vehicle Technology and Safety参考文献 30被引用 10

一句话总结

Driver2vec 提出了一种深度学习模型，将10秒的汽车传感器序列嵌入为行为表征以实现驾驶员识别，结合了时间卷积网络、三元组损失以分离嵌入，以及梯度提升用于分类。在51名驾驶员的数据集上进行训练，平均成对识别准确率达到83.1%，显著优于先前的方法。

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.

研究动机与目标

• 开发一种非生物特征的驾驶员识别方法，利用车辆传感器数据以增强隐私保护的汽车分析。
• 通过转向信号使用、加速度和跟车距离等传感器数据建模个体驾驶行为。
• 创建一个鲁棒且可泛化的嵌入空间，以从短时间数据间隔中捕捉驾驶员特有的行为模式。
• 通过端到端深度学习结合结构化损失函数，提升驾驶员识别准确率，超越现有方法。
• 在多样化驾驶场景中验证模型的一致性，并证明架构选择的合理性。

提出的方法

• 时间卷积网络（TCN）处理10秒的汽车传感器数据序列，以提取时间模式。
• 使用三元组损失训练模型，使同一驾驶员的嵌入比不同驾驶员的嵌入更接近。
• 将学习到的嵌入输入梯度提升决策树（GBDT）进行最终分类与识别。
• 模型在由 Nervtech 收集的真实世界51名驾驶员数据集上进行端到端训练。
• 特征工程聚焦于加速度率、跟车距离和转向指示灯使用等行为度量。
• 架构设计旨在对驾驶条件和数据质量的变化保持鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型能否在不使用生物特征标识符的情况下，仅从10秒的汽车传感器数据中准确识别驾驶员？
• RQ2 TCN、三元组损失与GBDT的组合相比先前方法，如何提升驾驶员识别性能？
• RQ3 模型在多样化驾驶场景和驾驶员行为中性能是否一致？
• RQ4 各组件（TCN、三元组损失、GBDT）对最终识别准确率的贡献如何？
• RQ5 模型在未见驾驶员和数据变化下是否具备良好的泛化能力？

主要发现

• Driver2vec 仅使用10秒的传感器数据，即可实现83.1%的平均成对驾驶员识别准确率，显著优于以往研究。
• 模型在不同驾驶场景中表现出一致的性能，表明对环境和行为变异具有鲁棒性。
• 三元组损失的使用有效分离了按驾驶员身份划分的嵌入，增强了嵌入空间中的判别能力。
• 将GBDT与学习到的嵌入结合，相比仅使用嵌入，显著提升了分类准确率。
• 时间卷积网络有效捕捉了对驾驶员识别至关重要的短期行为模式。
• 模型性能稳定且具备良好的泛化能力，表明其在真实世界汽车系统中的实际应用潜力。