A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

あなたは、自分が注意を払っている時にのみ、自動操縦ができる車を運転しようとしていると想像してください。これが「レベル3」の自動運転の世界です。車が重労働を担いますが、人間は安全網として、状況が変になった時にいつでもハンドルを握れるように準備しておく必要があります。大きな問題は何でしょうか？人間は一筋縄ではいきません。時には車を信じすぎて意識が逸れてしまったり、逆にパニックになって早すぎるタイミングで介入したりします。これらの車を安全にするためには、コンピュータはドライバーの頭の中で何が起きているのか、具体的には、ドライバーがどれだけ車を信頼しているか、状況をどれほどリスクが高いと考えているか、そしてどれほどストレスを感じているかを知る必要があります。この研究分野は「人間とオートメーションの相互作用（Human-Automation Interaction）」と呼ばれています。長い間、科学者たちは、人間の行動がサイコロを振るような予測可能な「ベルカーブ（正規分布）」に従うと仮定した数学を用いて、ドライバーの精神状態を推測しようとしてきました。しかし、人間はサイコロではありません。私たちは複雑であり、サイコロを十分に何度も振ってパターンを知るためのデータも、常に十分にあるわけではないのです。

この論文は、データの「ルール（サイコロの目）」を知らなくても、ドライバーの考えていることを推測する巧妙な新しい方法を紹介しています。確率を推測する代わりに、研究者たちは「集合ベース（set-based）」のアプローチを採用しています。これは、縮小していく箱を使った「熱いか冷たいか（Hot or Cold）」ゲームのようなものです。「ドライバーは70%の確率でストレスを感じている」と言う代わりに、システムは「ドライバーのストレスレベルは、間違いなくこの特定の箱の中に存在する」と言います。ドライバーが車と関わるにつれて、この箱はより小さく、より精密になります。研究者たちはこれを走行シミュレーターを用いて20人のボランティアでテストし、車が運転を引き継いでいる間にドライバーがどのように行動するかを調査しました。その結果、この「縮小する箱」の手法は、従来の「サイコロを振る」手法よりも、ドライバーがハンドルを取るタイミングを予測する上で優れていることが分かりました。特に、より先の未来を見据えた場合にその傾向が顕著でした。

論文のストーリー：縮小する箱を持つ探偵

問題点：「サイコロ」が正しく振れない
ドライバーの心を読み取ろうとするこれまでの試みの多くは、確率に依存しています。彼らは、もしドライバーがストレスを感じていれば、それは「ストレス」という目が30%の確率で出るサイコロを振るようなものだと想定しています。これを機能させるには、サイコロの重みを正確に把握するために膨大なデータが必要です。しかし現実には、一人ひとりのドライバーに対して何百万回もの走行試行を行うことはできません。さらに、人間の思考は必ずしも整った滑らかな曲線に従うわけではありません。例えば、建設現場が現れるまでは完璧に冷静だったドライバーが、突然高度な警戒状態に入ることもあります。従来の手法は、こうした急激な変化やデータの不足に苦戦します。

新しいアイデア：未知の範囲を限定する
著者であるSibibalan Jeevanandam氏とNeera Jain氏は、異なる戦略を提案しています。「ドライバーがストレスを感じている確率はどのくらいか？」と問うのではなく、「今見えている事象に適合する可能性の範囲（レンジ）はどこまでか？」と問うのです。

あなたが暗い家の中で迷子の猫を探している場面を想像してください。

• 従来の方法（確率論的）： キッチンに80%、寝室に15%、ガレージに5%の確率で猫がいると推測します。この推測を行うには、猫が通常どこに隠れるかについての膨大な過去のデータが必要です。
• 新しい方法（集合ベース）： 確率を推測しません。代わりに、キッチンの周りに箱を描きます。「猫は間違いなくこの箱のどこかにいる」と言うのです。鳴き声を聞いたり足跡を見つけたりするたびに、その箱を小さくしていきます。もし猫が確実にキッチンにいるなら、箱はキッチンだけに絞られます。もし廊下から鳴き声が聞こえてきたら、箱は廊下を含むように広がります。あなたは猫がそこにいる「確率」を知る必要はありません。ただ、箱が猫を捕まえるのに十分な大きさであり、かつ有用なほど小さいことさえ分かればよいのです。

この論文において、「猫」とはドライバーの精神状態（信頼、知覚されたリスク、ワークロード）のことです。「箱」とは、これらの状態が含まれる数学的な集合です。研究者たちは、未知の要因（突然の注意散漫や測定されていない思考など）を「未知だが限定されている（unknown but bounded）」ものとして扱っています。ドライバーの意識がどれほど逸れるかは正確には分かりませんが、それが「地球の外まで」逸れていくことはないと分かっています。ですから、その逸脱をカバーできる十分に大きな箱を描き、手がかりを得るごとにその箱を縮めていくのです。

探偵の仕組み
このシステムは、2つの方法で謎を解く探偵のように機能します。

1. 「自己報告」の手がかり： 定期的に、ドライバーに対して「車をどの程度信頼していますか？」や「これはどの程度リスクを感じますか？」といった質問が行われます。ドライバーは尺度（例：0から100）に基づいて回答します。この回答は、ドライバーが数値を丸めたり、わずかな偏りを持っていたりするため、少し曖昧です。システムはこの回答を受け取り、その周囲に「実行可能集合（feasible set）」（つまり箱）を描きます。
2. 「依存度」の手がかり： 最も重要な手がかりは、ドライバーが「何をしたか」です。車に任せたのか（依存度＝1）、それとも自分でハンドルを取ったのか（依存度＝0）です。これは「はい」か「いいえ」の二値的な手がかりです。システムは、どの精神状態がどの行動につながるかを判断するために、特別なマップ（決定木）を使用します。例えば、マップは「もし信頼が高く、かつリスクが低ければ、ドライバーは車に依存する」と示します。

これらの手がかりを組み合わせることで、システムは箱を更新します。もしドライバーが「車をとても信頼している」と言いながら（自己報告）、直後にハンドルを取った場合（依存度）、システムは現在の箱に何か問題があると判断します。そして、両方の手がかりが矛盾なく成立する新しい場所を見つけるために、箱を縮めます。もし箱が空になった場合（つまり、提示された手がかりに適合する精神状態が存在しない場合）、システムは自身のマップが間違っていると判断し、新しいデータを用いてマップ全体を描き直します。

実験：シミュレーターによるテスト
これを検証するため、研究者たちは20人を走行シミュレーターに入れました。車はレベル3の自動運転に設定されており、これは車が自律走行できるものの、ドライバーが介入する準備ができている必要があることを意味します。ルートには「建設ゾーン（高複雑度）」と「通常の道路（低複雑度）」が設けられました。

• ドライバーは、車に任せるか自分で運転するかを決定しなければなりませんでした。
• 数分おきに信号待ちのタイミングで、信頼、リスク、ワークロードに関する質問に回答しました。
• 研究者たちは、走行の前半部分を使用してシステムを「学習（初期のマップと箱を描画）」させ、後半部分を使用して、リアルタイムでドライバーの状態を予測できるかをテストしました。

得られた結果
結果は有望なものでした。

• 一貫性： 参加者の約80%において、システムの箱は少なくとも75%の確率で、ドライバーの実際の精神状態を包含することに成功しました。4人の参加者については、100%の一貫性を示しました。
• 速度： システムは非常に高速で、0.03〜0.07秒で新しい箱を計算できました。これはデータポイント間の間隔である1秒よりもはるかに速く、実際の車でもリアルタイムで動作できることを意味します。
• 予測能力： 最大の成果は、未来の予測です。研究者たちは「15秒後、30秒後、45秒後、あるいは60秒後に、ドライバーがハンドルを取るかどうかを予測できるか？」と問いかけました。
  • 新しい集合ベースの手法が、最も優れた予測器となりました。
  • 予測時間が長くなるほど（例：60秒先）、新しい手法は従来の手法に対して相対的に優れた性能を発揮しました。
  • 従来の「パーティクルフィルタ（確率論的手法）」は、時間が経過するにつれて精度が低下していきました。著者らは、従来の手法における「ノイズ（ランダム性）」の仮定が、時間の経過とともに誤差を蓄積させてしまうのに対し、集合ベースの手法の「箱」は、ドライバーの行動の履歴を用いて可能性を制約することで、タイトかつ正確な状態を維持できたためだと示唆しています。

なぜ重要なのか
この論文は、安全な自動運転車を構築するために、人間の思考の正確な「確率」を知る必要はないことを示唆しています。ただ、その思考の「境界（範囲）」を知っていればよいのです。集合ベースのフレームワークを使用することで、システムは個々のドライバーに適応し、乱雑なデータを扱い、従来の手法よりも正確に将来の行動を予測することができます。これは、単に自律走行するだけでなく、隣に座っている人間を実際に理解し、ドライバーを適切な状態に保つために挙動を調整できる車への一歩となります。著者らは、シミュレーターでは良好な結果が得られたものの、次のステップは、これが現実世界の混沌とした走行環境にも対応できるか、そしてドライバーの関心を維持するために自動運転のレベルを調整するために使用できるかを確認することであると述べています。