通过注意力建模驾驶员风险感知以改进驾驶辅助
机器人学
2024-09-10 v1 人机交互
摘要
高级车辆辅助系统（ADAS）在安全关键场景时会警报司机，但常常因未考虑司机知识或场景意识而提供多余警报。在数据驱动方式下对这些方面进行建模具有数据稀缺且难以同时记录车内司机状态与世界状态的挑战。我们探讨了在前碰撞警报（FCW）系统上下文中的司机建模优势。我们与真实世界的FCW部署视频数据集合作，收集观察者对所部署警报的主观有效性评级。我们还对参与者的注视对象进行注释，并半自动提取自驾车和其他车辆的3D轨迹。我们以两步过程生成场景风险估计与司机感知：首先，将场景中车辆的运动建模为联合轨迹预测问题。然后，通过对输入到预测模型中以表示司机实际观察车辆的场景的方式进行反事实修改来推理司机对场景的风险感知。这些行为之间的差异为我们估计司机行为，考虑其实际（注意力不集中）的观察及其对整体场景风险的下游影响。我们将两种方法进行比较：一种是学习的场景表示，另一种是更传统的“最坏情况”减速模型，用于实现未来轨迹预测。我们的实验表明，使用此风险公式生成FCW警报可能导致FCW的误报率改善以及FCW时间的改善。
引用
@article{arxiv.2409.04738,
title = {Modeling Drivers' Risk Perception via Attention to Improve Driving Assistance},
author = {Abhijat Biswas and John Gideon and Kimimasa Tamura and Guy Rosman},
journal= {arXiv preprint arXiv:2409.04738},
year = {2024}
}