面向驾驶员行为推理的统一多尺度多任务学习框架
系统与控制
2020-03-23 v2 系统与控制
图像与视频处理
信号处理
摘要
驾驶员与车辆之间的相互理解对于智能车辆设计和定制化交互界面至关重要。本研究提出了一种面向多尺度多任务行为识别的统一驾驶员行为推理系统。具体而言，设计了一个多尺度驾驶员行为识别系统，基于深度编码器-解码器框架识别驾驶员的身体与心理状态。该系统可基于共享编码器网络联合识别三种不同时间尺度的驾驶员行为。研究了驾驶员身体姿态以及包含意图与情绪的心理行为并对其进行识别。编码器网络基于深度卷积神经网络（CNN）设计，并针对不同的驾驶员状态估计提出了若干基于全连接（FC）和长短期记忆（LSTM）的循环神经网络（RNN）解码器。基于CNN编码器的联合特征学习提升了计算效率与特征多样性，而定制的解码器实现了高效的多任务推断。所提框架可用作挖掘不同驾驶员状态间关系的方案，并且发现当驾驶员产生变道意图时，其情绪通常保持中性状态且更专注于任务。使用两个自然驾驶数据集来考察模型性能，分别为本地高速公路数据集CranData和来自Brain4Cars的公开数据集。在这两个数据集上的测试结果表明了准确的性能，并在驾驶员姿态、意图和情绪识别上优于现有方法。
引用
@article{arxiv.2003.08026,
title = {A Unified Multi-scale and Multi-task Learning Framework for Driver Behaviors Reasoning},
author = {Yang Xing and Chen Lv and Dongpu Cao and Efstathios Velenis},
journal= {arXiv preprint arXiv:2003.08026},
year = {2020}
}