基于半监督学习策略预测驾驶员感知风险
机器学习
2025-09-11 v1 人机交互
摘要
驾驶员对风险的感知决定了他们对自动驾驶系统（ADSS）的接受程度、信任程度和使用方式。然而，感知风险是主观的，且使用现有方法难以评估。为解决此问题，提出了驾驶员主观感知风险（DSPR）模型，将感知风险视为具有各向异性和衰减性的动态触发机制。邀请 20 名参与者进行驾驶员-in-loop 实验，以在经历各种自动驾驶情景时报告其实时主观风险评级（SRR）。将卷积神经网络和双向长短期记忆网络（CNN-Bi-LSTM-TPA）嵌入半监督学习策略，以预测 SRR，以减少因参与者主观随机性导致的数据噪声。结果表明，DSPR 在预测 SRR 的准确率达到最高 87.91%，高于四个最先进的风险模型。半监督策略将准确率提高了 20.12%。此外，CNN-Bi-LSTM-TPA 网络在四种不同 LSTM 结构中表现出最高准确率。该研究提供了一种有效的方法来评估驾驶员的感知风险，为增强 ADS 的安全性和提高驾驶员信任提供了支持。
引用
@article{arxiv.2504.12665,
title = {Predicting Driver's Perceived Risk: a Model Based on Semi-Supervised Learning Strategy},
author = {Siwei Huang and Chenhao Yang and Chuan Hu},
journal= {arXiv preprint arXiv:2504.12665},
year = {2025}
}
备注
6pages, 8figures, 5tables. Accepted to be presented at the 2025 36th IEEE Intelligent Vehicles Symposium (IV) (IV 2025)