面向基于行为的驾驶员识别的持续学习
机器学习
2024-12-17 v1
摘要
基于行为的驾驶员识别是一种新兴技术，通过识别驾驶员独特的驾驶行为来进行识别，具有防止车辆盗窃和提供个性化驾驶体验等重要应用前景。然而，大多数研究未能考虑在车辆中部署深度学习模型面临的现实挑战，包括在有限的计算资源下运行、适应新司机以及随时间变化的驾驶行为。本研究旨在评估持续学习 (CL) 是否适用于解决这些挑战，因为 CL 能够在保持最小计算开销和资源需求的同时，保留先前学习的知识并持续适应。我们在三个基于增级复杂度的场景中测试了多种 CL 技术，这些场景基于著名的 OCSLab 数据集。该工作为可扩展的驾驶员识别解决方案提供了重要的进展，表明 CL 方法（如 DER）能够获得强大的性能，仅比静态场景降低 11%。此外，为了提升性能，我们提出了两种新方法，SmooER 和 SmooDER，通过利用司机身份随时间连续性来增强分类准确率。我们新提出的方法 SmooDER 达到了最佳结果，仅比 DER 方法的 11% 降低至 2%。总之，本研究证明了 CL 方法可行，用于解决驾驶员识别在动态环境中的挑战，使其适合部署在云基础设施或直接在车辆内。
关键词
引用
@article{arxiv.2412.10780,
title = {Continual Learning for Behavior-based Driver Identification},
author = {Mattia Fanan and Davide Dalle Pezze and Emad Efatinasab and Ruggero Carli and Mirco Rampazzo and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2412.10780},
year = {2024}
}