基于可解释性的自动驾驶中驾驶员疲劳预测
机器学习
2021-03-04 v1 信号处理
摘要
研究表明，单调的自动驾驶增加了疲劳驾驶的发生率。尽管许多基于先进机器学习技术的预测模型被提出以监测驾驶员疲劳，尤其是在手动驾驶中，但这些黑盒机器学习模型如何工作却鲜为人知。在本文中，我们提出了一种将极端梯度提升（eXtreme Gradient Boosting, XGBoost）与SHAP（SHapley Additive exPlanations）相结合的方法，以其效率和准确性来预测并解释驾驶员疲劳。首先，为获取驾驶员疲劳的基准真值，采用瞳孔随时间闭合百分比（PERCLOS，percentage of eyelid closure over the pupil over time）0至100作为响应变量。其次，我们利用生理和行为指标通过XGBoost构建了驾驶员疲劳回归模型，其以3.847的均方根误差（RMSE）、1.768的平均绝对误差（MAE）和0.996的修正优于其他所选机器学习模型。第三，我们采用SHAP识别最重要的预测变量，并通过全局展示最重要预测变量的主效应和局部解释个体预测来揭示黑盒XGBoost模型。这种可解释的驾驶员疲劳预测模型为如何在必要时（例如从自动驾驶到手动驾驶的接管过渡期）干预自动驾驶提供了见解。
引用
@article{arxiv.2103.02162,
title = {Predicting Driver Fatigue in Automated Driving with Explainability},
author = {Feng Zhou and Areen Alsaid and Mike Blommer and Reates Curry and Radhakrishnan Swaminathan and Dev Kochhar and Walter Talamonti and Louis Tijerina},
journal= {arXiv preprint arXiv:2103.02162},
year = {2021}
}