利用沉浸式虚拟现实与可解释深度学习解码行人与自动驾驶车辆的互动
人机交互
2021-01-07 v2 机器学习
摘要
为确保自动驾驶车辆时代的行人友好街道，重新评估城市区域当前的政策、实践、设计、规则与法规十分重要。本研究调查行人过街行为，作为预期受自动驾驶车辆出现影响的城市动态的重要元素。为此，提出一种可解释机器学习框架，以探究在自动驾驶车辆存在时影响行人在路段中间人行横道前等待时间的因素。为收集丰富行为数据，我们开发了一项动态沉浸式虚拟现实实验，来自大多伦多地区 (GTA) 4 个不同地点的异质人群中的 180 名参与者参与。随后使用数据驱动的 Cox 比例风险 (CPH) 模型分析行人等待时间行为，其中协变量的线性组合被灵活的非线性深度神经网络替代。所提模型在拟合优度上提升 5%，但更重要的是使我们能纳入更丰富的协变量集。采用基于博弈论的可解释性方法理解不同协变量对行人过街前等待时间的贡献。结果表明，道路上自动驾驶车辆的存在、较宽车道、道路高密度、有限视距以及缺乏步行习惯是导致较长等待时间的主要贡献因素。我们的研究表明，迈向行人友好城市区域应考虑面向儿童的国家级教育项目、增强老年人安全措施、推广主动出行模式以及修订交通规则与法规。
引用
@article{arxiv.2002.07325,
title = {Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning},
author = {Arash Kalatian and Bilal Farooq},
journal= {arXiv preprint arXiv:2002.07325},
year = {2021}
}