[论文解读] A Machine Learning Smartphone-based Sensing for Driver Behavior Classification

Sarra Ben Brahim, Hakim Ghazzai+2 more|arXiv (Cornell University)|Feb 1, 2022

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本论文提出了一种仅使用智能手机传感器的低成本驾驶员行为分类系统，利用卡拉模拟器中的传感器融合技术（加速度计、陀螺仪和GPS），在模拟的时间序列数据上评估了梯度提升（LightGBM、XGBoost、CatBoost）和LSTM模型，最高F1得分达到88%（使用LightGBM），在不同道路和天气条件下成功实现了对正常、中等、激进和危险驾驶行为的高精度检测。

ABSTRACT

Driver behavior profiling is one of the main issues in the insurance industries and fleet management, thus being able to classify the driver behavior with low-cost mobile applications remains in the spotlight of autonomous driving. However, using mobile sensors may face the challenge of security, privacy, and trust issues. To overcome those challenges, we propose to collect data sensors using Carla Simulator available in smartphones (Accelerometer, Gyroscope, GPS) in order to classify the driver behavior using speed, acceleration, direction, the 3-axis rotation angles (Yaw, Pitch, Roll) taking into account the speed limit of the current road and weather conditions to better identify the risky behavior. Secondly, after fusing inter-axial data from multiple sensors into a single file, we explore different machine learning algorithms for time series classification to evaluate which algorithm results in the highest performance.

研究动机与目标

• 开发一种仅依赖内置传感器的低成本、仅使用智能手机的实时驾驶员行为分类解决方案。
• 通过模拟数据而非真实世界数据采集，解决隐私和信任问题。
• 评估并比较多种机器学习模型——特别是GBDT和LSTM架构——对驾驶员行为进行四类风险等级分类的性能。
• 将速度限制、天气状况和交通标志等上下文因素整合进分类框架。
• 为车队管理与保险应用提供一种通用且可扩展的框架，基于模拟生成的真实驾驶场景。

提出的方法

• 在卡拉模拟器中，基于不同道路类型、限速和天气条件，使用智能手机传感器（加速度计、陀螺仪、GPS）采集数据。
• 通过传感器融合，将多轴加速度计和陀螺仪数据与GPS速度及方向整合为统一的时间序列数据集。
• 通过重采样将时间序列数据转换为统一频率，并进行归一化处理，以适配模型输入。
• 采用滑动窗口方法将每次行程划分为一分钟间隔，用于分类，实现对子行程行为的分析。
• 训练并评估三种梯度提升决策树模型（LightGBM、XGBoost、CatBoost）和三种LSTM架构模型（LSTM、CNN-LSTM、FCN-LSTM）。
• 通过随机搜索进行超参数调优，优化学习率、树深、估计器数量和L2正则化参数。

Figure 1 : Proposed workflow of the AI-based driver behavior classification.

实验结果

研究问题

• RQ1 仅使用加速度计、陀螺仪和GPS的智能手机传感技术，能否有效将驾驶员行为分类为四类风险等级（正常、中等、激进、危险）？
• RQ2 不同机器学习模型——特别是GBDT与LSTM架构——在基于模拟智能手机传感器数据的驾驶员行为分类中表现如何？
• RQ3 速度限制和天气条件等上下文因素对驾驶员行为分类准确率有何影响？
• RQ4 哪种超参数配置在F1得分和不平衡数据上的泛化能力方面表现最佳？
• RQ5 与单传感器方法相比，多轴加速度计和陀螺仪数据的传感器融合是否能提升分类准确率？

主要发现

• LightGBM在测试集上取得了最高的88% F1得分，优于XGBoost（83%）和CatBoost（81%），各项指标均表现最优。
• XGBoost是训练速度最快的模型，仅用数秒便完成超参数调优与分类任务。
• 在LSTM模型中，FCN-LSTM取得了74%的最佳F1得分，优于标准LSTM（58%）和CNN-LSTM（68%）。
• 采用滑动窗口方法实现了对一分钟驾驶片段的实时分类，模型能基于异常加速度（如AccelX中的超速）检测危险行为。
• 该框架在不平衡数据上表现出稳健性能，采用宏平均法时，LightGBM实现88%的宏F1得分和88%的准确率。
• 基于模拟的数据采集方法成功模拟了真实驾驶条件，包括可变限速和天气影响，实现了无隐私风险的可靠行为画像。

Figure 2 : Smartphone sensors collected using the Carla simulator.