PFL-LSTR：基于车内与车外信息的隐私保护驾驶员意图推断框架
机器人学
2023-09-06 v1
摘要
智能车辆对其他驾驶员运动意图的预判可减少碰撞。通常，当另一车辆（称为目标车辆）的人类驾驶员在变道前做出特定行为（如查看后视镜）时，便提供了关于目标车辆驾驶员意图的有价值线索。此外，目标驾驶员的意图会受到其驾驶环境的影响和塑造。例如，若目标车辆与前车过近，其可能放弃变道决策；另一方面，若目标车道上的跟随车辆距目标车辆过近，可能导致其逆转变道决定。交通流中所有车辆此类意图的知晓有助于提升交通安全。遗憾的是，此类信息常以图像/视频形式捕获。利用个人可识别数据训练通用模型可能侵犯用户隐私。联邦学习（FL）是解决此困境的一种有前景的工具。FL可在不暴露底层数据的情况下高效训练模型。本文提出一种嵌入长短期Transformer（LSTR）框架的个性化联邦学习（PFL）模型。该框架通过利用车内视频（驾驶员动作、手势和表情）和车外视频（车辆周边——前方/后方区域）来预测驾驶员意图。所提出的PFL-LSTR框架使用在印第安纳州65号州际公路上由人类驾驶员收集的真实驾驶数据进行训练和测试。结果表明，PFL-LSTR具有高适应性和高精度，且车外信息（特别是驾驶员查看后视镜动作）十分重要，因其有助于降低误报率从而提升驾驶员意图推断的精度。
引用
@article{arxiv.2309.00790,
title = {PFL-LSTR: A privacy-preserving framework for driver intention inference based on in-vehicle and out-vehicle information},
author = {Runjia Du and Pei Li and Sikai Chen and Samuel Labi},
journal= {arXiv preprint arXiv:2309.00790},
year = {2023}
}
备注
Submitted for presentation only at the 2024 Annual Meeting of the Transportation Research Board