利用眼动追踪数据实时预测有条件自动驾驶接管过渡期间的情境意识
人机交互
2021-03-30 v1
摘要
情境意识（SA）对于改善从自动驾驶到手动驾驶过渡期间的接管表现至关重要。尽管许多研究在驾驶任务期间或之后测量了 SA，但很少有研究尝试在自动驾驶中实时预测 SA。在本工作中，我们提出利用眼动追踪与自我报告数据，在有条件自动驾驶的接管过渡期间预测 SA。首先，使用一种名为 LightGBM（Light Gradient Boosting Machine，轻量梯度提升机）的树集成机器学习模型来预测 SA。其次，为理解哪些因素影响 SA 及其作用方式，计算了 LightGBM 模型中各预测变量的 SHAP（SHapley Additive exPlanations，夏普利加性解释）值。这些 SHAP 值通过识别最重要因素及其对 SA 的影响解释了预测模型，并通过特征选择进一步提升了 LightGBM 的模型表现。在 33 名参与者观看了 6 种长度介于 1 至 20 s 的 32 个视频后，我们通过汇总 SA 在重建模拟驾驶场景中的三项表现度量（即相对于本车的车辆位置、距离与速度估计）将 SA 标准化至 0 到 1 之间。仅使用眼动追踪数据，我们所提模型优于其他选定的机器学习模型，其预测 SA 与真实值之间的均方根误差（RMSE）为 0.121、平均绝对误差（MAE）为 0.096、相关系数为 0.719。代码见 https://github.com/refengchou/Situation-awareness-prediction。我们所提模型为如何利用眼动追踪数据在自动驾驶中实时监测与预测 SA 提供了重要启示。
引用
@article{arxiv.2103.14792,
title = {Using Eye-tracking Data to Predict Situation Awareness in Real Time during Takeover Transitions in Conditionally Automated Driving},
author = {Feng Zhou and X. Jessie Yang and Joost de Winter},
journal= {arXiv preprint arXiv:2103.14792},
year = {2021}
}