基于真实数据预测自动驾驶接管时间：鲁棒数据增强、模型与评估

通过对控制转换建模来理解乘员–车辆交互，对于确保乘用车自动化的安全方法十分重要。包含驾驶员状态的上下文、语义上有意义的表示的模型，可用于确定驾驶员与车辆之间控制转移的适当时机与条件。然而，此类模型依赖于来自从事分心活动的驾驶员的真实世界控制接管数据，而收集这些数据成本高昂。在此，我们为这类数据集引入了一种数据增强方案。利用增强后的数据集，我们开发并训练了接管时间（TOT）模型，这些模型依次处理由计算机视觉算法在不同驾驶员面向摄像头视角上产生的中级与高级特征，表明在增强数据集上训练的模型优于初始数据集。所展示的模型特征编码了驾驶员状态的不同方面，涉及驾驶员的面部、手、脚和上半身。我们对特征组合以及模型架构进行了消融实验，表明由增强数据支持的 TOT 模型可用于无延迟地产生接管时间的连续估计，适用于复杂的真实世界场景。