Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer
Diese Studie schlägt ein multimodales Framework vor, das Augenbewegungs-, Beleuchtungs- und Fahrzeuggeschwindigkeitsdaten mit einem neuartigen RaceGrid-OPTICS-Clustering-Algorithmus und einem WA-PSRSMformer-Deep-Learning-Modell integriert, um die visuelle Belastung von Fahrern unter dynamischen Lichtbedingungen präzise zu bewerten und vorherzusagen, wobei eine Genauigkeit von 90,13 % in Tunnelumgebungen erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Autofahren ist ein ständiger Akt der Verhandlung zwischen dem menschlichen Geist und der Straße. Für die meisten von uns geschieht diese Verhandlung ohne bewussten Gedanken, sie stützt sich jedoch schwer in einem Sinn: dem Sehen. Wenn sich das Licht plötzlich ändert – beim Übergang von einer sonnenverwöhnten Autobahn in das dunkle Innere eines Tunnels oder beim Fahren durch einen Straßenabschnitt, in dem Baumschatten schnell über die Windschutzscheibe flackern – müssen Augen und Gehirn auf Hochtouren arbeiten, um sich anzupassen. Diese plötzliche Anforderung an die visuellen Informationen erzeugt einen Zustand, der als visuelle Last bekannt ist. Es ist die mentale Anstrengung, die erforderlich ist, um zu verarbeiten, was die Augen sehen. Wenn diese Last zu groß wird, kann die Fähigkeit eines Fahrers, Gefahren wahrzunehmen, Formen zu erkennen und auf Gefahren zu reagieren, nachlassen, wodurch ein routinemäßiger Arbeitsweg zu einem potenziellen Risiko wird. Während wir wissen, dass diese Lichtwechsel gefährlich sind, blieb es schwierig zu messen, wie viel mentale Belastung sie einem Fahrer in Echtzeit tatsächlich abverlangen.
Ein Team von Forschern der Chang'an Universität hat einen neuen Weg entwickelt, um in diese unsichtbare mentale Anstrengung hineinzublicken. Ihr Ziel war es, ein System zu bauen, das nicht nur die visuelle Last eines Fahrers im Moment des Geschehens messen kann, sondern auch vorhersagen kann, wann sie kurz vor einem Anstieg steht, während das Auto sich durch komplexes, wechselndes Licht bewegt. Um dies zu erreichen, verließen sie die kontrollierten, künstlichen Umgebungen von Fahrsimulatoren und führten ihr Experiment auf echten Straßen durch. Sie rekrutierten zehn Fahrer und statteten eine Standardlimousine mit einer Reihe von Sensoren aus: einer tragbaren Kamera, um zu verfolgen, wohin der Fahrer blickte und wie seine Pupillen reagierten, einer Dashcam, um die Straße vor ihnen aufzuzeichnen, und einem Lichtmesser, um die exakte Helligkeit der Umgebung zu messen. Die Fahrer navigierten durch drei verschiedene Szenarien: eine lange, gerade Straße mit gleichmäßigem Licht, einen beschatteten Abschnitt, in dem Sonnenlicht durch Bäume flackerte, und einen Tunnel, in dem sich das Licht dramatisch von hellem Tageslicht zu Dunkelheit und wieder zurück veränderte.
Die Forscher sammelte eine enorme Menge an Daten, indem sie die Augenbewegungen der Fahrer mit den Lichtveränderungen und der Geschwindigkeit des Autos synchronisierten. Sie konzentrierten sich auf spezifische biologische Signale, wie etwa die Größe der Pupillen und deren Veränderungsgeschwindigkeit, sowie darauf, wo die Augen fixiert waren und wie oft sie zu neuen Punkten sprangen. Diese Signale sind die ehrliche Reaktion des Körpers auf die Arbeitslast des Gehirns; wenn die Augen Schwierigkeiten haben, sich an eine plötzliche Lichtänderung anzupassen, verschieben sich die Pupillen und Blickmuster auf vorhersehbare Weise. Es ist jedoch ein komplexes Rätsel, diesen Strom an Rohdaten in ein klares Bild von „hoher Last“ oder „niedriger Last“ zu verwandeln. Das Team nutzte zunächst eine ausgeklügelte Methode, um ähnliche Muster zusammenzufassen, und brachte dem Computer effektiv bei, den Unterschied zwischen einer entspannten Fahrt und einer stressigen Fahrt zu erkennen, ohne sich auf vordefinierte Regeln zu verlassen. Sie fanden heraus, dass dieser Ansatz die Daten erfolgreich in fünf verschiedene Stufen der visuellen Last sortieren konnte, von ruhig bis hoch belastet.
Sobald das System diese Zustände identifizieren konnte, widmeten sich die Forscher der schwierigeren Aufgabe der Vorhersage. Sie wollten wissen, ob das System anhand der aktuellen Daten erraten konnte, wie hoch die visuelle Last eines Fahrers einige Momente später sein würde. Sie testeten verschiedene Computermodelle, darunter solche, die gut darin sind, Muster in Bildern zu erkennen, und andere, die darauf ausgelegt sind, Ereignisfolgen über die Zeit zu speichern. Der erfolgreichste Ansatz war ein Typ von Künstlicher Intelligenz, der als Transformer bekannt ist und besonders gut darin ist, zu verstehen, wie ein Ereignis zu einem anderen in einer langen Sequenz führt. Um dieses Modell speziell für die Herausforderung des Autofahrens noch besser zu machen, fügte das Team drei entscheidende Verbesserungen hinzu. Erstens lehrten sie es, den seltenen, stressigen Momenten besondere Aufmerksamkeit zu schenken, die zwar seltener vorkommen als das ruhige Fahren, aber am kritischsten zu erfassen sind. Zweitens optimierten sie die interne Verarbeitung, damit es lange Fahrsequenzen verarbeiten kann, ohne durch unnötige Berechnungen ausgebremst zu werden. Schließlich optimierten sie die Speichernutzung, sodass es effizient auf Hardware laufen kann, die in einem echten Auto zu finden wäre.
Die Ergebnisse dieses realen Tests waren beeindruckend. In der anspruchsvollsten Umgebung – dem Tunnel, in dem das Licht abrupt wechselt – sagte das neue System die visuelle Last des Fahrers mit einer Genauigkeit von über 90 Prozent voraus. Dies war signifikant besser als die anderen getesteten Modelle, die mit den schnellen Veränderungen zu kämpfen hatten. Das System war zudem bemerkenswert effizient und verarbeitete die Daten in einem Bruchteil der Zeit, die die älteren Modelle benötigten – ein entscheidender Faktor für jede Technologie, die in einem fahrenden Fahrzeug sofort einsatzbereit sein muss. Die Studie bestätigte, dass die Kombination aus Eye-Tracking-Daten, Lichtmessungen und Fahrzeuggeschwindigkeit ein vollständiges Bild des Fahrerstresses liefert. Sie zeigte, dass gerade die Momente beim Einfahren und Verlassen eines Tunnels die komplexesten visuellen Anforderungen stellen und Fahrer oft in Zustände hoher Last versetzen, die das System erkennen und antizipieren konnte, während geradeaus fahrende Straßen im Allgemeinen leicht vorhersehbar sind.
Diese Arbeit bietet nicht nur einen Weg, Stress zu messen; sie bietet einen Entwurf für eine sicherere Zukunft. Indem Ingenieure verstehen, wie Lichtverhältnisse die Sicht eines Fahrers belasten, können sie bessere Warnsysteme entwickeln, die Fahrer alarmieren, bevor diese überfordert sind. Das System hat bewiesen, dass es möglich ist, die unsichtbare mentale Arbeitslast des Autofahrens in Echtzeit zu überwachen, indem man die natürlichen Reaktionen des menschlichen Auges nutzt. Da Straßen komplexer werden und autonome Fahrsysteme mehr Verantwortung übernehmen, wird es essenziell sein, eine zuverlässige Methode zu haben, um die Kapazität des menschlichen Elements zu sehen und zu reagieren. Die Forscher haben gezeigt, dass wir mit den richtigen Werkzeugen die unsichtbare Last der Straße sehen können und damit vielleicht die Unfälle verhindern können, die geschehen, wenn diese Last zu schwer wird, um sie zu tragen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.