[论文解读] An Automated Machine Learning (AutoML) Method for Driving Distraction Detection Based on Lane-Keeping Performance

Chen Chai, Juanwu Lu+3 more|arXiv (Cornell University)|Mar 10, 2021

Human-Automation Interaction and Safety被引用 14

一句话总结

该论文提出AutoGBM，一种自动化机器学习（AutoML）框架，通过车道保持性能数据检测与手机相关的驾驶分心行为。通过整合基于知识的特征提取、递归特征消除（RFE）以及贝叶斯优化进行超参数调优，AutoGBM在群体层面实现了80%的准确率，在个体层面超过90%，展现出高度的可靠性与对驾驶员个体差异的适应性。

ABSTRACT

With the enrichment of smartphones, driving distractions caused by phone usages have become a threat to driving safety. A promising way to mitigate driving distractions is to detect them and give real-time safety warnings. However, existing detection algorithms face two major challenges, low user acceptance caused by in-vehicle camera sensors, and uncertain accuracy of pre-trained models due to drivers individual differences. Therefore, this study proposes a domain-specific automated machine learning (AutoML) to self-learn the optimal models to detect distraction based on lane-keeping performance data. The AutoML integrates the key modeling steps into an auto-optimizable pipeline, including knowledge-based feature extraction, feature selection by recursive feature elimination (RFE), algorithm selection, and hyperparameter auto-tuning by Bayesian optimization. An AutoML method based on XGBoost, termed AutoGBM, is built as the classifier for prediction and feature ranking. The model is tested based on driving simulator experiments of three driving distractions caused by phone usage: browsing short messages, browsing long messages, and answering a phone call. The proposed AutoGBM method is found to be reliable and promising to predict phone-related driving distractions, which achieves satisfactory results prediction, with a predictive power of 80\% on group level and 90\% on individual level accuracy. Moreover, the results also evoke the fact that each distraction types and drivers require different optimized hyperparameters values, which reconfirm the necessity of utilizing AutoML to detect driving distractions. The purposed AutoGBM not only produces better performance with fewer features; but also provides data-driven insights about system design.

研究动机与目标

• 通过使用非侵入式的车道保持性能数据，解决基于车载摄像头的分心检测系统用户接受度低的问题。
• 克服现有模型在个体驾驶员差异和数据不平衡方面面临的挑战。
• 开发一种自动化、端到端的流水线，实现模型选择、特征工程和超参数调优的自我优化，用于分心检测。
• 通过识别关键特征和每类驾驶员的最优模型配置，为驾驶员监控系统设计提供数据驱动的洞见。

提出的方法

• 从车道保持性能数据中采用基于知识的特征提取，包括横向偏离、方向盘转角及其统计与时间特征。
• 应用递归特征消除（RFE）对特征进行排序与选择，降低维度的同时保持预测能力。
• 使用贝叶斯优化自动调优XGBoost的超参数，包括初始学习率、最大深度以及L1/L2正则化。
• 将算法选择与超参数调优整合到单一AutoML流水线中，实现整个建模过程的自我优化。
• 选用XGBoost作为基础分类器，因其具备鲁棒性、可解释性以及对噪声和缺失数据的处理能力。
• 利用决策树的权重与增益特征重要性评分，评估并排序特征的相关性。

实验结果

研究问题

• RQ1 仅使用车道保持性能数据，无需依赖车载摄像头，AutoML流水线能否有效检测驾驶分心行为？
• RQ2 AutoML方法在处理不同驾驶员个体差异对分心检测准确率的影响方面表现如何？
• RQ3 检测不同类型手机相关分心行为（如浏览短消息、阅读长消息、接听电话）的最优超参数配置是什么？
• RQ4 通过RFE进行特征选择在分心检测中对模型性能与可解释性提升的贡献程度如何？
• RQ5 AutoML系统在不同驾驶员群体（如年轻驾驶员与年长驾驶员、高风险与保守型驾驶员）中的性能表现如何？

主要发现

• AutoGBM在28名驾驶员中，群体层面预测准确率达80%，个体层面准确率超过90%，展现出强大的泛化能力与可靠性。
• 不同类型的分心行为需要不同的最优超参数设置，证实了通过AutoML实现个性化模型调优的必要性。
• 相较于年长、更保守的驾驶员，年轻且高风险的驾驶员更容易被检测到分心，所需估计器更少且准确率更高。
• 检测复杂分心行为（如阅读长消息）需要更深的模型、更多的估计器以及更强的L1/L2正则化才能实现高准确率。
• AutoML流水线成功减少了特征数量，同时保持了高性能，凸显其高效性与可解释性。
• 该方法揭示了数据驱动的驾驶员监控系统设计洞见，例如特定车道保持特征的重要性及不同驾驶员类型下的最优模型配置。