基于方向盘的驾驶员识别

驾驶员识别已成为一个重要的研究领域，从业者与研究人员均探究驾驶员识别实现个性化驾驶体验的潜力。近年来，若干研究报道在受控条件下可基于驾驶行为完美识别个体。然而，探究自然条件下驾驶员识别潜力的研究声称其准确率仅略高于随机猜测。本文对近期工作进行了全面总结，突出了机器学习方法设计中的主要差异，主要是所考虑的窗口长度参数。关键发现进一步表明，纵向车辆控制信息对驾驶员识别尤为有用，从而留下了关于横向车辆控制可用于可靠识别之程度的研究空白。基于已有工作，我们提出了一种新颖的窗口长度参数设计方法，其提供的证据表明仅利用方向盘数据即可实现可靠的驾驶员识别。本文的结果与见解基于该领域开展的最大规模自然驾驶研究所得数据。总体而言，基于 GRU 的神经网络被发现有优于传统方法的识别性能，将 15 名驾驶员的预测准确率从不足 15% 提升至超过 65%。当利用包含 72 名驾驶员的完整现场研究数据集时，该方法的识别预测准确率相较随机猜测方法提高了 25 倍。