2023-01

利用驾驶员车辆与环境交互：使用驾驶员监控摄像头进行机器学习来检测醉酒驾驶

分类： 人机交互

作者： Kevin Koch, Martin Maritsch, Eva van Weenen, Stefan Feuerriegel, Matthias Pfäffli, Elgar Fleisch, Wolfgang Weinmann, Felix Wortmann

发布时间： 2023-01-21

链接： http://arxiv.org/abs/2301.08978v2

摘要： 过量饮酒会导致残疾和死亡。数字干预措施是促进行为改变、从而防止酒精相关伤害的有前景的手段，特别是在驾驶等关键时刻。这需要有关个人血液酒精浓度 (BAC) 的实时信息。在这里，我们开发了一个车载机器学习系统来预测关键的 BAC 水平。我们的系统利用全球许多国家/地区强制使用的驾驶员监控摄像头。我们在一项介入模拟器研究中对 n=30 名参与者评估了我们的系统。我们的系统可以可靠地检测任何酒精影响下的驾驶（受试者工作特征曲线下面积 [AUROC] 0.88）以及高于 WHO 推荐的 0.05g/dL BAC 限值（AUROC 0.79）的驾驶。模型检查揭示了对与饮酒相关的病理生理效应的依赖。据我们所知，我们是第一个严格评估驾驶员监控摄像头用于检测醉酒驾驶的用途的公司。我们的结果凸显了驾驶员监控摄像头的潜力，并使下一代醉酒驾驶员互动能够防止酒精相关伤害。

关于驾驶员分心的力量：车载触摸屏交互视觉需求的可解释预测

分类： 人机交互, 人工智能

作者： Patrick Ebel, Christoph Lingenfelder, Andreas Vogelsang

发布时间： 2023-01-05

链接： http://arxiv.org/abs/2301.02065v1

摘要： 借助现代信息娱乐系统，驾驶员越来越倾向于在驾驶时从事次要任务。由于分心驾驶已经是致命事故的主要原因之一，因此车载触摸屏人机界面 (HMI) 必须尽可能减少分心。为了确保这些系统可以安全使用，它们需要经过复杂且昂贵的经验测试，需要功能齐全的原型。因此，让设计者了解其设计可能对驾驶员分心产生的影响的早期方法非常有价值。本文提出了一种机器学习方法，基于预期的使用场景，预测车内触摸屏交互的视觉需求，并提供影响驾驶员视觉注意力分配的因素的局部和全局解释。该方法基于从生产线车辆连续收集的大规模自然驾驶数据，并采用 SHapley Additive exPlanation (SHAP) 方法来提供利用明智的设计决策的解释。我们的方法比相关工作更准确，可以以 68% 的准确度识别发生长扫视的交互，并以平均误差为 2.4 秒的方式预测总扫视持续时间。我们的解释复制了最近的各种研究结果，并提供了有关 UI 元素、驾驶自动化和车速对驾驶员分心的影响的快速且易于理解的见解。该系统不仅可以帮助设计人员评估当前的设计，还可以帮助他们更好地预测和理解他们的设计决策可能对未来设计产生的影响。