基于自然场景周边检测研究数据的驾驶员画像与贝叶斯工作负荷估计
信号处理
2023-09-11 v2 机器学习
系统与控制
系统与控制
摘要
监测驾驶员心理工作负荷有助于发起并维持与车载信息系统的安全交互，从而提供对驾驶主要任务影响更小的自适应人机交互。本文中，我们处理从驾驶表现数据中进行工作负荷估计的问题。首先，我们提出一项新颖的实车研究，通过自然场景下改进的周边检测任务收集主观工作负荷数据。通过视频分析识别出诱发高心理工作负荷的关键环境因素，例如路口与前车行为。其次，引入一种使用最先进时间序列分类器（如卷积神经网络与变换技术）的监督学习框架，以根据驾驶员在行程中经历的平均工作负荷对其进行画像。随后提出一种贝叶斯滤波方法，用于（近）实时顺序估计驾驶员的瞬时工作负荷。这种计算高效且灵活的方法可轻易个性化至某驾驶员（如纳入其推断的平均工作负荷画像）、适应驾驶/环境情境（如道路类型）并可扩展来自新来源的数据流。所提画像与瞬时工作负荷估计方法的有效性使用实车研究数据得到验证，分别展示了高达 92% 与 81% 的 分数。
引用
@article{arxiv.2303.14720,
title = {Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data},
author = {Nermin Caber and Bashar I. Ahmad and Jiaming Liang and Simon Godsill and Alexandra Bremers and Philip Thomas and David Oxtoby and Lee Skrypchuk},
journal= {arXiv preprint arXiv:2303.14720},
year = {2023}
}
备注
Accepted for IEEE Transactions on Intelligent Vehicles