识别自动驾驶脱场景,使用来自人类驾驶员EEG认知数据的可转移知识
Geqi Qi1, Shuo Zhao2, Jixiang Yu3
1Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Ministry of Transport, Beijing Jiaotong University, Beijing 100044, China; Key Laboratory of Brain Machine Intelligence for Information Behavior-Ministry of Education, Shanghai International Studies University, Shanghai 200083, China.
这项研究使用脑电图 (EEG) 认知数据和转移学习来帮助自动驾驶 (AD) 系统识别脱离情景. 拟议的模型达到80%的准确性,通过能够更好地应对关键的驾驶情况来提高安全性.
科学领域:
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
背景情况:
- 自动驾驶 (AD) 系统在罕见的,复杂的脱离方案中扎,需要人类干预.
- 人类错误仍然是交通事故的重要因素,强调需要提高AD安全性.
研究的目的:
- 开发一个转移学习框架,集成人类脑电图 (EEG) 认知数据,以提高AD对脱离情景的识别能力.
- 提高AD系统理解和应对人类接管必要的关键情况的能力.
主要方法:
- 从使用驾驶模拟器进行手动驾驶 (MD) 和AD监督角色的参与者收集了EEG数据.
- 开发了一个转移学习框架,其中包含了有条件的最大平均差异 (CMMD) 函数,以在MD和AD领域之间调整认知数据.
- 训练了一个识别模型,使用来自EEG数据的共同特征空间.
主要成果:
- 拟议的模型在典型的脱离场景 (例如静态障碍,十字路口冲突,车辆切入) 中实现了80%的识别率,仅使用30%的AD训练数据.
- 使用EEG数据进行转移学习,与仅使用AD数据训练的模型相比,识别准确度提高了21.2%.
- 该模型有效地将知识从认知要求高的MD领域转移到要求较低的AD领域.
结论:
- 通过转移学习整合人类EEG认知数据,显著提高了AD识别脱离情景的能力.
- 准确地识别脱离类型,使防空系统能够实施适当的安全机制或接管提示,降低事故风险.
- 这种方法为提高自动驾驶系统的安全性和可靠性提供了一个有希望的方法.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
13:57Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective
Published on: July 1, 2015
