Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer
本研究は、動的な照明条件下におけるドライバーの視覚負荷を正確に評価および予測するために、眼球運動、照度、および車両速度のデータを、新規のRaceGrid-OPTICSクラスタリングアルゴリズムとWA-PSRSMformerディープラーニングモデルと統合したマルチモーダルなフレームワークを提案し、トンネル環境において90.13%の精度を達成するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
運転とは、人間の精神と道路との間で行われる絶え間ない交渉の行為である。私たちの多くにとって、この交渉は意識的な思考を介さずに行われるが、それは視覚という一つの感覚に大きく依存している。光が突然変化する場合――例えば、陽光が降り注ぐ明るい高速道路から、薄暗いトンネルの内部へと踏み入る時や、フロントガラス越しに木の影が激しく明滅する区間を走行する時など――目と脳は、適応するために過剰な働きを強いられる。この突然の視覚情報の要求は、「視覚負荷（visual load）」として知られる状態を生み出す。それは、目が捉えたものを脳が処理するために必要な精神的努力のことである。この負荷が重くなりすぎると、ドライバーの危険を察知し、形を認識し、危険に対して反応する能力が低下し、日常的な通勤が潜在的なリスクへと変貌してしまう。こうした照明の変化が危険であることは周知の事実だが、それがリアルタイムでドライバーにどれほどの精神的負担を強いているのかを正確に測定することは、これまで困難であった。
長安大学の研究チームは、この目に見えない精神的努力を覗き見るための新しい手法を開発した。彼らは、複雑に変化する光の中を走行している最中でも、ドライバーの視覚負荷をリアルタイムで測定できるだけでなく、それが急増するタイミングを予測できるシステムを構築しようと試みた。このため、彼らは運転シミュレーターによる制御された人工的な環境を超え、実験の場を実際の道路へと移した。10人のドライバーを募り、標準的なセダンに一連のセンサーを装備させた。すなわち、ドライバーがどこを見ているか、瞳孔がどのように反応しているかを追跡するウェアラブルカメラ、前方の路面を記録するダッシュボードカメラ、そして周囲の明るさを測定する照度計である。ドライバーたちは、一定の光が続く長い直線道路、日光が木々の間を通り抜けて明滅する日陰の区間、そして明るい日光から暗闇へ、そして再び明るさへと劇的に変化するトンネルという、3つの異なるシナリオを走行した。
研究者たちは、ドライバーの眼球運動を、変化する光や車の速度と同期させ、膨大な量のデータを収集した。彼らは、瞳孔の大きさやその変化の速さ、視線がどこに固定されているか、そしてどれくらいの頻度で新しい地点へとジャンプするかといった、特定の生物学的信号に焦点を当てた。これらの信号は、脳のワークロードに対する身体の正直な反応である。目が急激な光の変化に適応しようと苦闘するとき、瞳孔や注視パターンは予測可能な形で変化する。しかし、この生の数値のストリームを「高負荷」や「低負荷」という明確なイメージに変換することは、複雑なパズルである。チームはまず、洗練された手法を用いて類似したパターンをグループ化し、あらかじめ設定されたルールに頼ることなく、コンピュータに「リラックスした運転」と「ストレスフルな運転」の違いを認識させる学習を行った。その結果、このアプローチによって、穏やかな状態から極めて緊張した状態まで、5つの明確なレベルにデータを分類することに成功した。
システムがこれらの状態を特定できるようになった後、研究者たちはより困難な課題である「予測」へと取り組んだ。彼らは、現在のデータを見て、数瞬後のドライバーの視覚負荷を推測できるかどうかを検証したかった。彼らは、画像内のパターンを見つけるのが得意なモデルや、時間の経過に伴う一連の出来事を記憶するように設計されたモデルなど、いくつかの異なるコンピュータモデルをテストした。最も成功したアプローチは、「Transformer」として知られる一種の人工知能モデルであり、これは長いシーケンスにおける一つの出来事がどのように次の出来事を引き起こすかを理解することに特に長けている。このモデルを、運転という特定の課題に対してさらに優れたものにするため、チームは3つの主要な改良を加えた。第一に、頻度は低いものの極めて重要な瞬間である、稀に発生する高ストレスな場面に細心の注意を払うよう学習させた。第二に、内部処理を合理化することで、不要な計算によって停滞することなく、長い走行データの連続を処理できるようにした。最後に、メモリ使用量を最適化し、実際の車に搭載される可能性のあるハードウェア上で効率的に動作できるようにした。
実世界のテスト結果は驚くべきものであった。光が急激に変化する最も過酷な環境であるトンネルにおいて、新しいシステムは90パーセントを超える精度でドライバーの視覚負荷を予測した。これは、急速な変化に追いつけず苦戦した他のモデルよりも大幅に優れた結果であった。また、このシステムは極めて効率的であり、古いモデルが必要とした時間のわずかな一部でデータを処理することができた。これは、移動中の車両内で動作する必要があるテクノロジーにとって極めて重要な要素である。本研究は、眼球追跡データ、照度測定、および車両速度の組み合わせが、ドライバーのストレスの完全な姿を描き出すことを裏付けた。直線道路は一般的に予測しやすいが、トンネルへの進入や脱出の瞬間は最も複雑な視覚的要求を生み出し、しばしばドライバーを高負荷状態へと追い込むことが、システムによって検知・予見可能であることが示された。
この研究は、単にストレスを測定する方法を提示するだけではない。それは、より安全な未来への設計図を提示している。照明条件がドライバーの視覚にどのような負担を強いるのかを正確に理解することで、エンジニアは、ドライバーが圧倒される前に警告を発する、より優れた警告システムの設計が可能になる。このシステムは、人間の目の自然な反応を用いることで、運転中の目に見えない精神的ワークロードをリアルタイムで監視できることを証明した。道路がより複雑になり、自動運転システムがより多くの責任を担うようになる中で、人間が「見る」こと、そして「反応する」ことの能力を測定する信頼できる手段を持つことは不可欠となる。研究者たちは、適切なツールがあれば、道路の目に見えない負担を捉えることができ、それによって、その負担が持ち切れなくなった時に起こる事故を防げる可能性があることを示したのである。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。