DeepTake：基于多模态数据的驾驶员接管行为预测
机器学习
2021-01-18 v2 人机交互
摘要
自动驾驶汽车承诺了一个未来：驾驶员可在长时间内双手脱离方向盘从事非驾驶任务。然而，受技术限制与法律要求，自动驾驶汽车仍可能偶尔需要将控制权交还驾驶员。尽管某些系统利用驾驶员情境与道路状况确定接管需求并发起接管请求，研究表明驾驶员可能不予响应。我们提出DeepTake，一种基于深度神经网络的新颖框架，可预测接管行为的多个方面，以确保驾驶员在从事非驾驶任务时能够安全接管控制权。利用来自车辆数据、驾驶员生物特征及主观测量的特征，DeepTake预测驾驶员的接管意图、时间与质量。我们使用多种评估指标评价DeepTake性能。结果显示，DeepTake可靠预测接管意图、时间与质量，准确率分别为96%、93%和83%。结果还表明，DeepTake在预测驾驶员接管时间与质量上优于先前最先进方法。我们的发现对驾驶员监控与状态检测的算法开发具有启示意义。
引用
@article{arxiv.2012.15441,
title = {DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data},
author = {Erfan Pakdamanian and Shili Sheng and Sonia Baee and Seongkook Heo and Sarit Kraus and Lu Feng},
journal= {arXiv preprint arXiv:2012.15441},
year = {2021}
}
备注
Accepted to CHI 2021