基于注意力建模驾驶员风险感知以改进驾驶辅助
材料科学
2024-09-10 v1 机器学习
摘要
高级驾驶辅助系统（ADAS）在安全关键场景中会警报司机，但常常提供多余警报，因为缺乏对司机知识或场景意识的考虑。以数据驱动的方式建模这些方面具有挑战性，因为缺乏记录司机状态和世界状态同时存在的关键场景数据。我们探讨了在前碰撞警报（FCW）系统上下文中对司机建模的好处。我们与实际道路 FCW 部署的视频数据集合作，收集观察者对部署警报的主观有效性评级。我们还对参与者的注视对象进行注释，并半自动提取 ego 车辆和其他车辆的 3D 轨迹。我们以两个步骤过程生成场景的风险估计和司机的感知：首先，我们将场景中车辆的运动建模为联合轨迹预测问题。然后，我们通过对输入进行反事实修改来代表司机对场景中车辆的实际观察，从而推理司机对场景的风险感知。这些行为之间的差异为我们估计司机行为，考虑到他们实际（注意力不集中）的观察及其对整体场景风险的下游影响。我们将两种方法进行比较：一种是学习的场景表示，另一种是更传统的“最坏情况”减速模型来实现未来轨迹预测。我们的实验表明，使用这种风险公式生成 FCW 警报可能导致 FCW 的误报率提高以及 FCW 时机的改进。
引用
@article{arxiv.2409.04737,
title = {CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction},
author = {Shrimon Mukherjee and Madhusudan Ghosh and Partha Basuchowdhuri},
journal= {arXiv preprint arXiv:2409.04737},
year = {2024}
}