理解与建模任务与情境对驾驶员视线分配的影响

为进一步推进驾驶员监测与辅助系统，理解驾驶员如何分配其注意力（即他们倾向于看哪里以及为何）十分重要。传统上，影响人类视觉注意的因素被分为自下而上（对显著区域的 involuntary 吸引）与自上而下（由所执行任务需求驱动）。尽管二者均引导驾驶员视线，现有大多数驾驶员视线预测模型应用为自下而上显著性开发的技术，并未显式考虑驾驶员动作的影响。同样，常见驾驶注意力基准缺乏驾驶员动作及其执行情境的相关标注。因此，为支持驾驶员视线预测中这些因素的分析与建模，我们提出如下：1）修正 DR(eye)VE 中使用的数据处理流程以减少记录视线数据中的噪声；2）随后为每帧添加驾驶任务与情境标签；3）我们对若干显著性与驾驶员视线预测的基线及 SOTA 模型进行基准测试，并利用新标注分析其在涉及不同任务的场景中性能如何变化；最后，4）我们开发一种以显式动作与情境信息调制驾驶员视线预测的新模型。虽然降低 DR(eye)VE 视线数据噪声改善了所有模型的结果，我们表明在所提模型中使用任务信息相较于清理后数据上的自下而上模型进一步提升性能，总体上（KLD 提升 24%、NSS 提升 89%）及在执行安全关键操控与交叉路口场景中（KLD 提升达 10--30%）。扩展标注与代码见 https://github.com/ykotseruba/SCOUT。