面向安全人机交互的驾驶员操纵建模与预测

随着机器人与车辆等自主机器开始执行涉及人类用户的任务，确保它们之间的安全交互成为一个重要问题。将人机交互（HRI）研究中的方法转化应用于人类与其他高度复杂机器（如半自主车辆）之间的交互，有助于推动这些机器在需要人类交互的场景中的使用。其中一种方法是通过理解人类意图与决策，在人与机器人交互时估计人类当前及近未来的动作。该思想源于心理学的心理理论（Theory of Mind）概念，其已在机器人领域得到广泛探索，近期亦应用于自主与半自主车辆。在本工作中，我们探索了如何通过结合人体运动、车辆状态以及人类输入（如方向盘、踏板）的数据，在动作执行前预测人类意图。我们采用了一种基于循环神经网络（Recurrent Neural Network）模型的数据驱动方法，用于分类当前驾驶操纵并预测将要执行的未来操纵。针对实时应用，我们使用具有固定操纵集合的状态转移模型来标注试验期间记录的数据。模型使用不同座椅偏好、驾驶经验与臂长的驾驶员进行训练与测试；在操纵识别上取得了超过95%的精确率与召回率，在操纵预测上取得了86%的精确率与召回率，对于已知与未知测试对象均实现了长达1秒的预测时间窗。与我们先前的结果相比，性能有所提升，且对于未知测试对象可在不知晓当前操纵的情况下实现操纵预测。