[论文解读] Behavioral Research and Practical Models of Drivers' Attention

Iuliia Kotseruba, John K. Tsotsos|arXiv (Cornell University)|Apr 12, 2021

Human-Automation Interaction and Safety参考文献 446被引用 4

一句话总结

本文综合了超过175项行为研究和100篇实践性论文，分析了内部因素（如年龄、经验）和外部因素（如自动化、分心）如何影响驾驶员的视觉注意力。研究识别出现有注意力建模的关键局限，如缺乏任务表征、安全性验证不足以及认知建模有限，并提出一个跨学科框架，通过与人类注意力模式对齐，以改进驾驶员监控、ADAS和高度自动化驾驶系统。

ABSTRACT

Driving is a routine activity for many, but it is far from simple. Drivers deal with multiple concurrent tasks, such as keeping the vehicle in the lane, observing and anticipating the actions of other road users, reacting to hazards, and dealing with distractions inside and outside the vehicle. Failure to notice and respond to the surrounding objects and events can cause accidents. The ongoing improvements of the road infrastructure and vehicle mechanical design have made driving safer overall. Nevertheless, the problem of driver inattention has remained one of the primary causes of accidents. Therefore, understanding where the drivers look and why they do so can help eliminate sources of distractions and identify unsafe attention patterns. Research on driver attention has implications for many practical applications such as policy-making, improving driver education, enhancing road infrastructure and in-vehicle infotainment systems, as well as designing systems for driver monitoring, driver assistance, and automated driving. This report covers the literature on changes in drivers' visual attention distribution due to factors, internal and external to the driver. Aspects of attention during driving have been explored across multiple disciplines, including psychology, human factors, human-computer interaction, intelligent transportation, and computer vision, each offering different perspectives, goals, and explanations for the observed phenomena. We link cross-disciplinary theoretical and behavioral research on driver's attention to practical solutions. Furthermore, limitations and directions for future research are discussed. This report is based on over 175 behavioral studies, nearly 100 practical papers, 20 datasets, and over 70 surveys published since 2010. A curated list of papers used for this report is available at \url{https://github.com/ykotseruba/attention_and_driving}.

研究动机与目标

• 识别并综合影响驾驶员视觉注意力分配的关键因素，包括内部因素（如年龄、经验）和外部因素（如自动化、分心）。
• 弥合心理学与人因工程领域的行为研究与ADAS、DMS及自动驾驶系统实际应用之间的差距。
• 解决现有注意力建模中的关键局限，包括缺乏任务表征、安全性验证不足以及认知建模不充分。
• 为智能交通系统中更可靠、透明且面向安全的注意力建模提供跨学科基础。
• 通过识别开放性问题、数据不一致性及方法论缺陷，为未来研究提供指导。

提出的方法

• 对过去十年间175项行为研究、100篇实践论文、20个数据集和70项调查开展系统性文献综述。
• 整合心理学、人因工程、人机交互、计算机视觉及智能交通系统等多学科的研究发现。
• 将眼动追踪数据作为注意力的代理指标，同时对其在真实驾驶环境中的局限性与可靠性进行批判性评估。
• 分析人工智能与计算机视觉领域中的注意力建模方法，重点关注其未能整合自上而下的任务背景与认知约束的问题。
• 从注意力对齐的视角评估当前ADAS与DMS系统，突出警告设计与情境自适应能力方面的不足。
• 提出未来模型的框架，强调基于任务的注意力、认知资源分配与顺序处理，同时注重透明性与安全性验证。

实验结果

研究问题

• RQ1 驾驶经验、年龄和疲劳等内部因素在多大程度上影响驾驶员的视觉注意力分布？
• RQ2 车内信息娱乐系统、路边广告牌和车辆自动化等外部因素在多大程度上影响注意力分配？
• RQ3 尽管在注视预测方面准确率很高，为何当前基于人工智能的自动驾驶注意力模型仍无法复现类人注意力模式？
• RQ4 在注意力建模中使用的注视数据集的数据采集、处理与验证方面，存在哪些关键方法论缺陷？
• RQ5 如何改进注意力模型，使其通过与人类认知过程和决策机制对齐，从而支持协同式驾驶员辅助与安全自动化？

主要发现

• 驾驶员注意力不集中仍是导致事故的主要原因，车内系统分心和动态路边广告牌显著损害注意力分配。
• 注视是注意力的强但不完整代理指标；许多研究未能通过行为或控制数据验证注视数据，导致结论模糊。
• 大多数当前基于人工智能的注意力模型聚焦于显著性与隐式依赖关系，而非显式任务表征，限制了其可解释性与安全性应用价值。
• 尽管有充分实证证据表明驾驶经验与环境背景与注意力模式密切相关，但仅有极少数注意力模型考虑了这些因素。
• 现有ADAS系统依赖固定且非自适应的警告方式（如音视频或触觉提示），未考虑驾驶员注意力状态或场景上下文，降低了有效性。
• 注意力模型的仿真验证缺乏真实世界验证，且事故数据集通常缺少驾驶员注视数据，使得无法评估更高注意力是否本可避免事故。