一种基于车道保持性能的自动化机器学习(AutoML)驾驶分心检测方法
机器学习
2021-03-16 v1
摘要
随着智能手机的普及，由手机使用引起的驾驶分心已成为对驾驶安全的威胁。缓解驾驶分心的一种有前景的方法是检测它们并给出实时安全警告。然而，现有检测算法面临两大挑战：车载摄像头传感器导致的低用户接受度，以及由于驾驶员个体差异带来的预训练模型精度不确定性。因此，本研究提出一种领域特定的自动化机器学习(AutoML)，基于车道保持性能数据自学习最优模型以检测分心。该 AutoML 将关键建模步骤集成到一个可自动优化的流水线中，包括基于知识的特征提取、通过递归特征消除(RFE)的特征选择、算法选择，以及通过贝叶斯优化的超参数自动调优。我们构建了一个基于 XGBoost 的 AutoML 方法，称为 AutoGBM，作为分类器用于预测与特征排序。该模型基于三种由手机使用引起的驾驶分心的驾驶模拟器实验进行测试：浏览短消息、浏览长消息和接听电话。所提出的 AutoGBM 方法被证明在预测手机相关驾驶分心方面可靠且有前景，取得了令人满意的预测结果，在群体水平上预测能力为 80%，在个体水平上准确率为 90%。此外，结果也揭示了每种分心类型和驾驶员都需要不同的优化超参数值，这再次确认了利用 AutoML 检测驾驶分心的必要性。所提出的 AutoGBM 不仅以更少的特征产生更好的性能，还提供了关于系统设计的 data-driven 见解。
引用
@article{arxiv.2103.08311,
title = {An Automated Machine Learning (AutoML) Method for Driving Distraction Detection Based on Lane-Keeping Performance},
author = {Chen Chai and Juanwu Lu and Xuan Jiang and Xiupeng Shi and Zeng Zeng},
journal= {arXiv preprint arXiv:2103.08311},
year = {2021}
}