[论文解读] Modeling road user response timing in naturalistic settings: a surprise-based framework

Johan Engström, S. Liu+2 more|arXiv (Cornell University)|Aug 18, 2022

Human-Automation Interaction and Safety被引用 7

一句话总结

本文提出了一种基于意外性的框架，用于建模自然主义交通冲突中道路使用者的响应时间，其中响应时间被定义为由意外刺激触发的信念更新延迟。该框架通过将响应时间建立在动态、情境特定的信念基础上，克服了传统感知-响应时间模型的关键局限性，并通过拟合SHRP2碰撞和近碰撞数据的启发式模型展示了其可行性。

ABSTRACT

There is currently no established method for evaluating human response timing across a range of naturalistic traffic conflict types. Traditional notions derived from controlled experiments, such as perception-response time, fail to account for the situation-dependency of human responses and offer no clear way to define the stimulus in many common traffic conflict scenarios. As a result, they are not well suited for application in naturalistic settings. Our main contribution is the development of a novel framework for measuring and modeling response times in naturalistic traffic conflicts applicable to automated driving systems as well as other traffic safety domains. The framework suggests that response timing must be understood relative to the subject's current (prior) belief and is always embedded in, and dependent on, the dynamically evolving situation. The response process is modeled as a belief update process driven by perceived violations to this prior belief, that is, by surprising stimuli. The framework resolves two key limitations with traditional notions of response time when applied in naturalistic scenarios: (1) The strong situation-dependence of response timing and (2) how to unambiguously define the stimulus. Resolving these issues is a challenge that must be addressed by any response timing model intended to be applied in naturalistic traffic conflicts. We show how the framework can be implemented by means of a relatively simple heuristic model fit to naturalistic human response data from real crashes and near crashes from the SHRP2 dataset and discuss how it is, in principle, generalizable to any traffic conflict scenario. We also discuss how the response timing framework can be implemented computationally based on evidence accumulation enhanced by machine learning-based generative models and the information-theoretic concept of surprise.

研究动机与目标

• 为在多样化自然主义交通冲突类型中评估人类响应时间提供标准化方法。
• 克服传统感知-响应时间模型的局限性，后者假设刺激固定且忽略情境背景。
• 提供一种可推广的响应时间建模框架，其基础是基于意外刺激驱动的动态信念更新。
• 实现自动驾驶系统（ADS）响应性能与人类非受损、注意力集中于冲突状态行为的准确基准对比。
• 支持开发用于真实世界交通场景中碰撞风险估计和安全评估的概率响应时间模型。

提出的方法

• 将响应时间建模为预测处理框架中的信念更新，其中响应由对先前期望的违反触发。
• 使用信息论中的意外度量，明确定义刺激为出乎意料的证据——即偏离驾驶员当前信念状态的偏差。
• 通过在SHRP2数据集的人工标注自然驾驶数据上训练的启发式模型实现该框架。
• 利用视觉行为（如眼动追踪）推断‘注意力集中于冲突’状态，确保包含非受损驾驶员。
• 整合基于机器学习的生成模型以预测代理行为，并计算惊喜度量所需的先验信念。
• 将响应过程视为向决策累积证据的过程，其中惊喜是响应启动的关键驱动力。

实验结果

研究问题

• RQ1 在刺激模糊且持续演化的自然主义交通冲突中，如何一致地定义响应时间？
• RQ2 在真实世界的冲突场景中，响应时间在多大程度上依赖于驾驶员的先验信念状态和情境背景？
• RQ3 由意外驱动的信念更新框架是否能比传统感知-响应时间模型提供更稳健、更具普适性的响应时间建模？
• RQ4 如何在传感器精度有限的真实碰撞和近碰撞数据中，实际实现此类框架？
• RQ5 该框架对自动驾驶系统评估中冲突响应行为及主动避让行为的建模有何影响？

主要发现

• 基于意外性的框架成功解决了自然主义交通冲突中刺激定义的模糊性以及响应时间的情境依赖性问题。
• 基于该框架的启发式模型在拟合SHRP2数据集中人工标注的响应数据时表现出可行性能，证明了其实际可行性。
• 该框架能够一致地建模注意力集中于冲突的非受损驾驶员的响应时间，为自动驾驶系统提供了强有力的基准人类行为参考。
• 该方法可推广至任何可使用生成模型预测代理行为并从观测偏差中计算惊喜度量的交通冲突场景。
• 未来可通过基于机器学习的生成模型和信息论中的惊喜度量实现该框架的自动化，尽管在传感器覆盖有限的真实数据上拟合此类模型仍面临挑战。
• 该框架支持开发能够捕捉长尾响应时间并支持人群级碰撞风险估计的概率响应时间模型。