5 ноября, 2024

SolusNews.com

Последние новости

Машинное обучение может повысить безопасность дорожного движения за счет мониторинга рабочей нагрузки водителей

Машинное обучение может повысить безопасность дорожного движения за счет мониторинга рабочей нагрузки водителей

Исследователи разработали адаптивный алгоритм, который может повысить безопасность дорожного движения, предсказывая, когда водители смогут безопасно взаимодействовать с автомобильными системами или получать сообщения, такие как предупреждения о дорожном движении, входящие вызовы или указания направления движения.

Исследователи из Кембриджского университета, работающие в сотрудничестве с Jaguar Land Rover (JLR), использовали комбинацию дорожных экспериментов и машинного обучения, а также методы виртуальной фильтрации для надежного и непрерывного измерения «рабочей нагрузки» водителя. Вождение в незнакомой местности может привести к большой рабочей нагрузке, тогда как ежедневные поездки на работу могут означать меньшую рабочую нагрузку.

Полученный алгоритм легко адаптируется и может реагировать практически в реальном времени на изменение поведения и состояния водителя, дорожных условий, типа дороги или характеристик водителя.

Эту информацию затем можно интегрировать в системы автомобиля, такие как информационно-развлекательные, навигационные, дисплеи, усовершенствованные системы помощи водителю (ADAS) и многое другое. Любое взаимодействие между водителем и транспортным средством затем может быть настроено с учетом приоритета безопасности и улучшения пользовательского опыта, обеспечивая адаптивное взаимодействие человека и машины. Например, водители получают оповещения только в периоды низкой рабочей нагрузки, чтобы водитель мог полностью сосредоточиться на дороге в более напряженных сценариях вождения. тот Результаты О них сообщается в журнале IEEE Transactions on Intelligent Vehicles.

Соавтор исследования д-р Башар Ахмед из инженерного факультета Кембриджа сказал: «Все больше и больше данных становится доступным водителям постоянно. Однако с ростом уровня спроса со стороны водителей это может стать основным фактором риска для безопасности дорожного движения. » «Автомобиль может предоставить водителю много информации, но делать это небезопасно и непрактично, если вы не знаете состояние водителя».

Состояние водителя – или рабочая нагрузка – может часто меняться. Например, водить машину в новом районе, в условиях интенсивного движения или в плохих дорожных условиях обычно сложнее, чем ежедневные поездки на работу.

READ  Сегодня я обрела счастье, Линдси Сторер прыгает на Baby Shark с лучшей песней iTunes

«Если вы попали в трудную ситуацию вождения, сейчас неподходящее время для появления сообщения на экране или проекционном дисплее», — сказал Ахмед. «Проблема для производителей автомобилей заключается в том, как измерить вовлеченность водителя и инициировать взаимодействие или отправлять сообщения или подсказки только тогда, когда водитель рад их получить».

Существуют алгоритмы для измерения уровня требований водителя с использованием устройств отслеживания взгляда и биометрических данных с мониторов сердечного ритма, но исследователи из Кембриджа хотели разработать подход, который мог бы делать то же самое, используя информацию, доступную в любом автомобиле, в частности, сигналы о характеристиках вождения, такие как рулевое управление, ускорение и данные о торможении. Он также должен иметь возможность потреблять и интегрировать различные потоки асинхронных данных с разной частотой обновления, в том числе от биометрических датчиков, если таковые имеются.

Чтобы измерить рабочую нагрузку водителя, исследователи сначала разработали модифицированную версию задачи обнаружения периферийных устройств для автоматического сбора субъективной информации о рабочей нагрузке во время вождения. Для эксперимента телефон, показывающий маршрут в навигационном приложении, был установлен на центральном вентиляционном отверстии автомобиля рядом с небольшим светодиодным кольцевым индикатором, который мигал через равные промежутки времени. Все участники следовали по одному и тому же маршруту по сельским, городским и главным дорогам. Их попросили нажать кнопку на пальце, когда светодиод загорелся красным, и водитель понял, что у них низкая рабочая нагрузка.

Видеоанализ эксперимента в сочетании с данными, полученными с кнопок, позволил исследователям выявить ситуации с высокой нагрузкой, такие как оживленные перекрестки или необычное поведение автомобиля впереди или позади водителя.

Дорожные данные затем использовались для разработки и проверки системы контролируемого машинного обучения для профилирования водителей на основе средней рабочей нагрузки, с которой они сталкиваются, а также адаптивного подхода байесовской фильтрации для оценки мгновенной рабочей нагрузки водителя последовательно и в режиме реального времени с использованием многократного вождения. рабочие сигналы, включая включение рулевого управления и торможения. Эта система сочетает в себе макро- и микрометрики рабочей нагрузки, где первый представляет собой средний профиль рабочей нагрузки водителя, а второй — непосредственный показатель.

READ  Беспроводные наушники SoundPeats Q True поступили в продажу на Amazon

«Для большинства подобных приложений машинного обучения вам придется обучать их на конкретном драйвере, но мы смогли адаптировать модели на лету, используя простые методы виртуальной фильтрации», — сказал Ахмед. «Он может легко адаптироваться к различным типам дорог и условиям или к разным водителям, использующим один и тот же автомобиль».

Исследование проводилось в сотрудничестве с JLR, которая разработала экспериментальный план и собрала данные. Это было частью проекта, спонсируемого JLR в рамках соглашения CAPE с Кембриджским университетом.

«Это исследование имеет жизненно важное значение для понимания влияния нашего дизайна с точки зрения пользователя, поэтому мы можем постоянно повышать безопасность и обеспечивать исключительные впечатления от вождения для наших клиентов», — сказал д-р Ли Скрипчук, главный технический специалист по интерфейсу «человек-машина» в Jaguar Land Rover. «Эти результаты помогут понять, как мы используем интеллектуальное планирование в наших транспортных средствах, чтобы гарантировать, что водители получают правильные уведомления в нужное время, обеспечивая плавное и легкое путешествие».

Исследование было проведено в Кембридже группой исследователей из Лаборатории обработки сигналов и связи (SigProC) инженерного факультета под руководством профессора Саймона Годселла. Проект возглавил доктор Башар Ахмед, в него входили Нермин Кабер (в то время аспирант) и доктор Цзямин Лян, которые работали над проектом на инженерном факультете Кембриджского университета.

/Общий выпуск. Этот материал исходной организации/авторов может носить хронологический характер и отредактирован для ясности, стиля и объема. Mirage.News не занимает корпоративных позиций или партий, и все взгляды, позиции и выводы, выраженные здесь, принадлежат исключительно автору(ам). Полный текст можно посмотреть здесь.