基于无监督学习的多模态驾驶员状态建模

自然驾驶数据（NDD）有助于理解驾驶员对各驾驶场景的反应，并为驾驶行为提供个性化情境。然而，NDD需要大量人工劳动来标注特定驾驶员状态与行为模式。对NDD的无监督分析可用于从驾驶员与车辆数据中自动检测不同模式。在本文中，我们提出一种方法以理解驾驶员在不同驾驶模式中心理生理反应的变化。我们的方法首先使用贝叶斯变点检测模型分解驾驶场景。随后，我们对驾驶员状态与行为数据应用潜在狄利克雷分配（Latent Dirichlet Allocation）方法来检测模式。我们给出了两个案例研究，其中车辆被装备以采集外部、内部及驾驶员行为数据。在这两项案例研究中，检测到了四种驾驶行为模式（即急刹、正常刹车、弯道驾驶与高速驾驶），以及两种驾驶员心率（HR）模式（即正常与异常偏高）和注视熵模式（即低与高）。这些案例研究的发现表明，在参与者中，驾驶员心率在急刹、加速与弯道驾驶期间具有更高比例的异常模式。此外，高速公路上加速度近乎为零的自由流驾驶伴随更高比例的正常心率以及更低的注视熵模式。借助所提方法，我们能更好地理解驾驶员在不同驾驶场景中心理生理状态的变化。本工作的发现有望指导未来自动驾驶车辆采取契合每位特定驾驶员的动作。