Transcript 駕駛員車載活動之風險預測模型.pptx

駕駛員車載活動之風險預測模型-應
用在任務分析和倒傳遞類神經網路
作者：Yung-Ching Liu* , Yang-Kun Oua,
Feng-Yuan Shih
組員： 林孟儒 , 劉家維
日期 ：2015/05/27
Department of Information Management, CYUT, Taiwan
Outline
一、 前言
二、 研究方法
三、 實驗結果
四、 結論
2014/04/18
2
一、前言(1/8)
• 為了減少事故風險，駕駛員不應從事任何可能會導致分心
的行為，除非這個行為對於駕駛有正面的影響。
• 然而，在現實中，幾乎所有的駕駛員或多或少都會有和駕
駛不相關的活動。
• 現在許多駕駛員都普遍使用車載資訊系統（in-vehicle
information system , IVIS）例如讀取或輸入導航訊息
。駕駛員已經習慣了這些車載活動，但通常他們不會把它
跟立即和顯著的危險聯繫在一起。
前言
2014/04/18
研究方法
實驗結果
結論
3
一、前言(2/8)
• 交通事故大多是因為駕駛員在行駛中注意力不集中而發生
(Dingus et al.,2006; Klauer, Dingus, Neale,
Sudweeks, & Ramsey, 2006; Wierwille, 1995)。
• 美國國家公路交通安全管理局（NHTSA）和弗吉尼亞州科
技運輸協會（VTTI）報導，近80％的事故只因之前（即3
秒前）駕駛員注意力不集中而導致車禍。
• 估計有關駕駛員注意力不集中已經在所有的事故因素中占
有25％。
前言
2014/04/18
研究方法
實驗結果
結論
4
一、前言(3/8)
• 車載資訊系統往往已經佔據到駕駛員有限的注意力，增加
駕駛員的負擔，從而提高交通事故的風險(Collins,
Biever, Dingus, & Neale, 1999; NHTSA, 2000;Stutts,
Reinfurt, Staplin, & Rodgman, 2001; Wickens &
Hollands, 2002)。
• 許多研究對駕駛員的注意力和工作負擔來分析視覺行為和
駕駛行為(Dingus, Antin, Hulse, & Wierwille, 1989)
。
前言
2014/04/18
研究方法
實驗結果
結論
5
一、前言(4/8)
• 這些結果說明了車載活動（Jamson＆Merat，2005）的潛
在危險。
• 在視覺行為分析中，使用“視覺時間”和”觀看頻率”指
標來分析駕駛員注意力是一種被廣泛採納和接受的方法
(International Standards Organization,1995)。
前言
2014/04/18
研究方法
實驗結果
結論
6
一、前言(5/8)
• 在視覺任務中給駕駛員在沒有其他車輛的情況下添加不必
要的等待時間。有些駕駛員會利用這段時間從事不相關的
活動，導致駕駛員對於前方道路的注意力減少而分心。
• 鑑於此，對駕駛員進行這些任務產生的影響，是我們調查
的重點。
前言
2014/04/18
研究方法
實驗結果
結論
7
一、前言(6/8)
• 制定一個合適的駕駛行為模型涉及到繁瑣的統計模型，必
然需要許多假設，如果假設是錯誤的，那麼結果的評估很
可能錯誤(Lewis, 2000)。
• 這些限制往往使駕駛預測模型不切實際，但人工神經網路
(Artifical Neural Networks , ANN)並不需要很多假設
的要求。
• ANN已被用於研究不同的領域，並且逐漸被應用到運輸問
題上(Hagan, Demuth, & Beale, 1996)。
前言
2014/04/18
研究方法
實驗結果
結論
8
一、前言(7/8)
• ANN也被用於創建旅遊模型來比較男性和女性旅客的要求
(Shmueli, Salomon, & Shefer, 1996)。
• Chang (2005)使用道路交通事故、道路訊息以及季節和天
氣參數，建立一個ANN模型來預測道路事故的嚴重性。
• 由上述可證實，當ANN模型應用在非線性的預測方案時是
非常準確的。
前言
2014/04/18
研究方法
實驗結果
結論
9
一、前言(8/8)
• 利用ANN模型，在預測路口事故中，可以達到至少70％的
正確整體準確率(Abdel-Aty & Pande, 2005)，從而有效
的應用在事故分析中來判斷事故的嚴重性及環境因素
(Sohn & Lee, 2003)。
• 也因ANN預測模型的有效性，許多的研究已經進行使用ANN
來預測駕駛行為和交通意外(Dougherty, 1995)。
• 同樣，本研究的主旨在於開發駕駛風險預測模型來預測駕
駛員執行不同類型的車載任務。
前言
2014/04/18
研究方法
實驗結果
結論
10
二、研究方法(1/13)
2.1 實驗參與者
• 總共有66個自願參與者，每一位都擁有有效的駕駛執照，
被分成兩組(傳統車載任務：15位男生，15位女生;IVIS車
載任務：22位男生，14位女生)。
• 參與者年齡為24至35歲，得滿足視力要求(至少0.8，或矯
正後0.8以上);聽力（能在模擬駕駛下行駛90km/hr的時速
與實驗者溝通）;和色視力(通過石原色卡盲目性測試)。
• 每位實驗參與者都沒有使用過駕駛模擬器或抬頭顯示器（
HUD）的經驗。
前言
2014/04/18
研究方法
實驗結果
結論
11
二、研究方法(2/13)
2.2 設備
2.2.1 駕駛模擬器
• 本研究採用interactive low-cost STI固定底座之駕駛模
擬器(Systems Technology,Inc.Hawthorne, CA,USA)。
• 模擬車款為VOLVO 340 DL，具備所有的汽車控制跟顯示功
能(方向盤、剎車、油門)，另外他的設定是自排變速箱。
• 不同的駕駛情景將會顯示在位於駕駛員前三米的100英吋
螢幕。
前言
2014/04/18
研究方法
實驗結果
結論
12
二、研究方法(3/13)
2.2.2 抬頭顯示器(Head-up display ,HUD)
• 顯示像是駕駛時速和任務指令等資訊在駕駛員前方3.1米
的HUD上。
• HUD放置角度為駕駛員水平視線的6到12度之間，HUD面積
約15平方英寸。
• 螢幕顯示率為800 x 600 dpi，字體表示（圖標）的大小
為10x10cm。
前言
2014/04/18
研究方法
實驗結果
結論
13
二、研究方法(4/13)
2.2.3 攝影機
• 安裝四部攝影機來記錄駕駛員的動作
• 第一部記錄駕駛員到儀表板的眼睛運動，設在儀表板的頂
部。
• 第二部被設計為記錄駕駛員的右手活動，並設在當駕駛員
就座時右肩的高度。
• 第三部用於記錄駕駛員的左手活動，並設在駕駛員左肩高
度的位置。
• 第四部用於記錄駕駛員路上的景觀，並設在同駕駛員眼睛
高度的擋風玻璃上。
前言
2014/04/18
研究方法
實驗結果
結論
14
二、研究方法(5/13)
2.3 駕駛場景描述
• 駕駛環境是使用STI SDL (Scenario Definition
Language)V.8.0開發，並分為低/高負荷道路。
• 駕駛環境標準參考Liu(2001)的研究（車道寬度、彎道曲
線、速度限制、路邊建築物密度、路邊建築物的數量）。
• 高負荷道路限制實驗參與者時速需在45公里到90公里。在
低負荷道路下，限制時速30公里到60公里。每幕場景大約
需要30分鐘才能完成。
前言
2014/04/18
研究方法
實驗結果
結論
15
二、研究方法(6/13)
2.4 車載資訊系統（IVIS）的顯示
• 本研究中使用的IVIS是基於Green (1996)的設計準則。
• 一般情況下駕駛員僅看到導航和車輛速度訊息。
• 當有路標和道路狀況預警訊息時將會適當的提醒駕駛員。
前言
2014/04/18
研究方法
實驗結果
結論
16
二、研究方法(7/13)
2.5 任務
• 任務分為兩種類型：駕駛任務和車載任務。
2.5.1 駕駛任務
• 限制實驗參與者在模擬道路環境駕駛時須遵守所有的交通
規則和限速行駛範圍內。
• 參與者必須遵守速度限制(高負荷道路：正常 - 90公里/
小時，彎道 - 60 公里/小時之間，低負荷道路：正常 60公里/小時，彎道 - 40公里/小時)。
前言
2014/04/18
研究方法
實驗結果
結論
17
二、研究方法(8/13)
2.5.2 車載任務
• 首先車載任務又可稱為正常車載活動（例如，打開空調和
切換廣播頻道），我們稱之為“傳統的車載任務”。
• 其他的任務模擬駕駛員進行使用車載資訊系統(IVIS)和所
需車載行為活動（例如，看著導航顯示和注意警示信息）
，稱這部分為“IVIS車載任務”。
前言
2014/04/18
研究方法
實驗結果
結論
18
二、研究方法(9/13)
（1）傳統的車載任務
• 傳統的車載任務包括手部動作和視覺判斷（本研究共設計
38種傳統任務）。
• 對於視覺判斷任務，實驗參與者只重視任務目標和口頭回
應任務（例如，速度觀測，里程觀測）。而對於手部運動
的任務，除了尋找目標之外也會有手部的移動（例如，重
新調整安全帶和後照鏡）。
• 這些任務會在30-60秒內隨機出現，而每個任務在各個道
路環境中只出現一次。
前言
2014/04/18
研究方法
實驗結果
結論
19
二、研究方法(10/13)
（2）IVIS車載任務
• IVIS車載任務包括交通標誌搜尋任務和導航任務。
• 在交通標誌搜尋任務中，HUD會通知實驗參與者在前方約1
公里有一個路口設置，當參與者到達路口，他們需要口頭
回應任務。導航任務中，要求實驗參與者回答下一條道路
的名稱。實驗參與者須搜尋HUD並做出問題回應。
• 總共有八個IVIS車載任務，在各個駕駛道路場景中隨機出
現四次。
前言
2014/04/18
研究方法
實驗結果
結論
20
二、研究方法(11/13)
2.6 實驗設計
• 這項研究是一個包括高/低負荷道路行駛和傳統/IVIS車載
任務的混合因子實驗。
• 我們使用兩個組合來平均的測試“低負荷道路”和“高負
荷道路”：（1）先“高負荷道路”，再“低負荷道路”
（2）先“低負荷道路”，再“高負荷道路”。
前言
2014/04/18
研究方法
實驗結果
結論
21
二、研究方法(12/13)
2.7 流程
• 實驗參與者首先必須滿足視力和聽覺的要求。
• 實驗參與者須先錄製10分鐘的介紹視頻。
• 簽署同意書後，實驗參與者有約5分鐘練習駕駛，以熟悉
模擬器的控制，道路環境，和上述任務。
• 一旦實驗開始，各路況變化之間會有5分鐘的休息時間。
前言
2014/04/18
研究方法
實驗結果
結論
22
二、研究方法(13/13)
2.8 資料收集
• 駕駛員在執行任務中的車載活動會藉由攝影機記錄，並利
用Observer 5.0軟體進行事後分析得出活動時間、視覺判
斷行為和反應時間。
• 活動時間根據Arnaut and Greenstein (1990)分為三種類
型：（1）活動時間、（2）調適時間、（3）總時間;視覺
行為則包括視覺時間、觀看次數和總觀看時間。
• 反應時間則從實驗參與者在出現目標交通標誌時給予口頭
回覆中取得。
前言
2014/04/18
研究方法
實驗結果
結論
23
三、實驗結果(1/7)
3.1 任務分析結果
前言
2014/04/18
研究方法
實驗結果
結論
24
三、實驗結果(1/7)
3.2 BPN風險預測模型的開發
• 神經網路模型分為三層：輸入層，隱藏層和輸出層。
• 輸入變數可以是數值或二進制，在隱藏層神經元的數量上
沒有特別的規定。
• Baliley and Thompson (1990)表示，BPN（back
propagation neural network）擁有最高的準確度。
前言
2014/04/18
研究方法
實驗結果
結論
25
三、實驗結果(2/7)
3.2.1. BPN模型的建構
• 使用Clementine Client 12.0套件來開發BPN駕駛員車載
活動的風險預測模型。
• 為了改善這種BPN模型的績效，本研究將資料隨機分成五
組。
前言
2014/04/18
研究方法
實驗結果
結論
26
三、實驗結果(3/7)
• 在輸入變數中，道路負荷(driving load)被分為兩類（0
或1），而其他輸入變數則為數值；輸出變數是由三個分
類變數定義駕駛行為（即安全、謹慎、危險）。
• 我們在BPN風險模型中測試幾個學習次數（100，200，300
，400，500和600），由於BPN的有效性將取決於隱藏層的
數量，所以我們在各種數量下（5、10、15、20、25、30
）的隱藏層進行了測試。
• BPN中學習率設定為0.3。
前言
2014/04/18
研究方法
實驗結果
結論
27
三、實驗結果(4/7)
衡量指標：
均方差（MSE）：
R２：
均方差（MSE）和R２ (R squared)最常用來評估類神經網路
績效(Hagan et al., 1996)。
前言
2014/04/18
研究方法
實驗結果
結論
28
三、實驗結果(5/7)
• 在ANN中，我們藉由訓練結果的穩定度來決定訓練次數
前言
2014/04/18
研究方法
實驗結果
結論
29
三、實驗結果(6/7)
• 為了驗證實驗的有效性，我們檢視輸入變數對構建模型的
貢獻及重要性。
前言
2014/04/18
研究方法
實驗結果
結論
30
三、實驗結果(7/7)
3.2.2 BPN模型的預測績效
前言
2014/04/18
研究方法
實驗結果
結論
31
四、結論(1/3)
• 過去有許多研究主要利用統計方法來開發相關行為的駕駛
模型進行測試和驗證(Kumagai & Akamatsu, 2004; Liu &
Salvucci, 2001)。
• 然而，這些統計模型是複合的，使用許多假設來進行，使
得這些模型大多數不切實際，並且可能有缺陷(Lewis,
2000)。
• ANN的優點是能夠處理大量的數據且不要求滿足假設，它
們表現出出色的非線性模型建構能力，並且可以有效地處
理變數間的關係。
前言
2014/04/18
研究方法
實驗結果
結論
32
四、結論(2/3)
• 只要有60％的預測準確率就比大多數研究還要高(Chang &
Chen, 2005; Greibe, 2003)，因此可知本研究模型具有
很高的預測績效。
• 本研究方法需要取得主要因素資料和風險等級的分析做為
使用特定車載介面的結果。在此方式下，可以縮減傳統複
雜的實驗計算成本。
前言
2014/04/18
研究方法
實驗結果
結論
33
四、結論(3/3)
• 未來的研究方向可以考慮如何提高BPN的預測績效，尋找
更詳細和精確的因素。
• 例如，通過改變一個給定的BPN模型結構和輸入變數的選
擇（例如，性格特徵，情緒和天氣條件），來構造一個更
準確的駕駛行為風險預測系統。
前言
2014/04/18
獻探討
研究方法
實驗結果
結論
34
2015/05/27
35