Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving

Titolo: Modellazione dello Stato del Conducente Centrata sull'Uomo e Non Invasiva Utilizzando Segnali Fisiologici Personalizzati nella Guida Automatizzata Reale

1. Il Problema

Nelle veicoli con automazione parziale o condizionata (Livelli SAE 2-3), il conducente rimane responsabile della supervisione del sistema e deve rispondere alle richieste di presa di controllo (Take-Over Request - TOR). La sfida principale risiede nel "paradosso dell'automazione": più il sistema è affidabile, più è difficile per l'operatore umano mantenere l'attenzione.
I sistemi di monitoraggio del conducente (DMS) esistenti si basano spesso su modelli generalizzati che ignorano la variabilità fisiologica individuale. Questo approccio "agnostico rispetto all'utente" compromette l'accuratezza, specialmente in condizioni di guida complesse e reali. Inoltre, la maggior parte della ricerca precedente è stata condotta in ambienti simulati, che non riescono a catturare le sfumature, le pressioni psicologiche e le situazioni impreviste della guida reale.

2. Metodologia

Lo studio ha affrontato queste lacune attraverso un approccio sperimentale condotto in condizioni di guida reale su un veicolo SAE Livello 2 (Toyota Prius PHEV con software Comma OpenPilot).

• Raccolta Dati: Sono stati utilizzati sensori indossabili non invasivi (Empatica E4) per catturare segnali fisiologici multimodali: attività elettrodermica (EDA), frequenza cardiaca (HR), temperatura cutanea (TEMP), polso volumetrico del sangue (BVP) e dati di accelerazione (ACC).
• Trasformazione Segnale-Immagine: Poiché le architetture di Deep Learning basate su immagini (CNN) sono altamente efficaci, i segnali fisiologici temporali 1D sono stati trasformati in rappresentazioni bidimensionali (immagini). Sono state valutate diverse tecniche di codifica:
  • Recurrence Plots (RP): sia binarie che continue.
  • Gramian Angular Fields (GAF): GASF e GADF.
  • Markov Transition Fields (MTF).
  • Risultato: La scelta migliore è stata il Continuous Recurrence Plot (RP), che ha permesso di preservare le dinamiche temporali del segnale.
• Architettura del Modello:
  • È stata utilizzata un'architettura multimodale basata su ResNet50 pre-addestrato (transfer learning).
  • I segnali di 7 canali diversi vengono convertiti in immagini separate, elaborati individualmente per estrarre feature (vettori di dimensione 2048), concatenati e ridotti dimensionalmente tramite PCA (a 100 componenti).
  • Un classificatore fully-connected finale mappa le feature in 4 stati di consapevolezza: Low-Low (LL), Low (L), High (H), High-High (HH).
• Partecipanti: Lo studio ha coinvolto 4 partecipanti maschi (3 giovani, 1 di mezza età) in sessioni intensive di guida reale su autostrade pubbliche.

3. Contributi Chiave

1. Validazione in Ambiente Reale: Prima indagine che utilizza sensori fisiologici non invasivi per il monitoraggio dello stato del conducente in un veicolo automatizzato SAE Livello 2 in condizioni di guida reali (non simulati).
2. Pipeline di Modellazione Segnale-Immagine: Proposta di una metodologia innovativa che converte serie temporali fisiologiche in immagini 2D, sfruttando le potenti capacità di estrazione delle feature delle CNN pre-addestrate (ResNet50).
3. Evidenza Empirica della Variabilità Inter-individuale: Dimostrazione sperimentale che i pattern fisiologici legati alla consapevolezza del conducente variano drasticamente tra individui diversi.
4. Prova del Valore della Personalizzazione: Fornitura di dati quantitativi che dimostrano come i modelli personalizzati superino di gran lunga quelli generalizzati, suggerendo che i futuri sistemi ADAS devono essere adattivi.

4. Risultati

L'analisi ha confrontato modelli addestrati su un singolo utente (Personalizzati) contro modelli addestrati su dati aggregati di più utenti (Generalizzati/Combined).

• Accuratezza dei Modelli Personalizzati: I modelli addestrati sui dati di un singolo utente hanno raggiunto un'accuratezza media del 92,68% (con un range da 87,52% a 96,52%).
• Fallimento della Generalizzazione:
  • Quando i modelli personalizzati sono stati testati su altri utenti, l'accuratezza è crollata tra il 40% e il 63%.
  • I modelli "Combined" (addestrati su 3 utenti e testati sul quarto) hanno ottenuto un'accuratezza media del 53,76%.
  • Anche quando un utente era incluso nel set di addestramento di un modello combinato, le prestazioni sono diminuite (penalità del 5-12%) rispetto al modello puramente personalizzato.
• Stabilità: I modelli combinati hanno mostrato un'alta variabilità e instabilità (deviazione standard elevata), fallendo in modo non uniforme a seconda del profilo fisiologico specifico del conducente. Al contrario, i modelli personalizzati hanno mantenuto prestazioni stabili e coerenti.

5. Significato e Implicazioni

I risultati dello studio hanno profonde implicazioni per lo sviluppo futuro dei veicoli autonomi:

• Necessità di Adattività: I sistemi di monitoraggio dello stato del conducente non possono basarsi su modelli statici e universali. La variabilità fisiologica è così significativa che un modello "one-size-fits-all" è inaffidabile per la sicurezza critica.
• Progettazione Centrata sull'Uomo: I futuri sistemi devono evolvere verso architetture adattive che imparino progressivamente il profilo fisiologico unico di ogni conducente.
• Strategia Ibrida: Si suggerisce un approccio ibrido: utilizzare inizialmente un modello generalizzato per la disponibilità immediata, per poi affinarlo rapidamente con dati specifici dell'utente tramite tecniche di transfer learning o apprendimento adattivo.
• Sicurezza: L'uso di modelli personalizzati riduce il rischio di falsi positivi/negativi nelle richieste di presa di controllo, migliorando la collaborazione uomo-macchina e la sicurezza complessiva.

In conclusione, lo studio dimostra che la personalizzazione non è solo un'ottimizzazione, ma un requisito fondamentale per il monitoraggio affidabile dello stato del conducente nell'era dell'automazione condizionata.