基于生理测量的条件自动驾驶中实时信任预测
人机交互
2022-12-02 v1
摘要
信任校准是驾驶员与自动驾驶车辆（AVs）交互过程中的主要挑战。为校准信任，实时测量驾驶员的信任至关重要。一种可能的方法是利用机器学习模型与生理测量对其动态变化建模。本文提出一种基于机器学习模型的技术，利用生理测量实时预测驾驶员对条件自动驾驶车辆的动态信任。我们在驾驶模拟器中开展研究，参与者被要求从自动驾驶中接管控制，实验包含控制条件、误报条件、漏报条件三种情形，并在不同场景中设有八次接管请求（TORs）。实验期间记录了驾驶员的生理测量，包括皮肤电反应（GSR）、心率（HR）指标与眼动追踪指标。使用五种机器学习模型，我们发现极端梯度提升（XGBoost）表现最佳，能够以 89.1% 的 f1 分数实时预测驾驶员信任。我们的发现为如何设计车载信任监控系统以校准驾驶员信任、促进驾驶员与 AV 实时交互提供了良好启示。
引用
@article{arxiv.2212.00607,
title = {Real-time Trust Prediction in Conditionally Automated Driving Using Physiological Measures},
author = {Jackie Ayoub and Lilit Avetisian and X. Jessie Yang and Feng Zhou},
journal= {arXiv preprint arXiv:2212.00607},
year = {2022}
}