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.

«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.

«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.