Detecting risky driving scenes and analyzing risk factors based on a driver risk feeling estimation model
Project/Area Number |
20K05014
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 25020:Safety engineering-related
|
Research Institution | Daido University |
Principal Investigator |
宮島 千代美 大同大学, 情報学部, 教授 (90335092)
|
Project Period (FY) |
2020-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2020: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
Keywords | ドライバ / 危険感 / 危険シーン検出 / 危険要因分析 / 運転データ / 要因分析 / 個人性 |
Outline of Research at the Start |
本研究では,運転中に人が感じる危険感を推定可能なモデルを構築し,危険な運転シーンを検出する手法について検討する.まず,運転シーンに対して感じる危険感の主観評価データを収集し,機械学習や統計分析手法等を用いて,車載カメラ映像や車載センサ信号等の運転中に観測可能な多種センサ信号から,人が感じる危険感の有無を推定し,危険シーンを検出するモデルを構築する.また,主観評価データや構築したモデルを基に,危険感の主な要因や個人性について分析する.
|
Outline of Annual Research Achievements |
今年度は,運転者や同乗者が走行中に感じる危険感の要因を,車載カメラ映像から推定する手法について検討した.車載カメラから得られる映像に対して,領域分割や物体検出を適用し,危険感の要因に関係すると考えられる周辺障害物の特徴量を抽出し,その特徴量を用いて危険要因を推定する枠組みで深層学習を行った.映像から特徴を抽出可能な周辺障害物は,前方車・対向車などの周辺車両,自転車や歩行者,走行の妨害となり得る電柱や建物,道路の幅員等であり,映像から抽出した周辺障害物の情報を深層学習の入力とし,走行中に運転者や同乗者が感じる危険感の要因の種類をネットワークの出力として推定するモデルを構築した. ここで,画像領域分割や物体検出によって得られる障害物の種類の中には,性質が類似したものがあるため,同じカテゴリの障害物として統合して扱うこととした.また,推定する危険要因についても,どの要因を併合して推定すべきかについて,実験を実施しながら検討した. 今回実験に用いた走行映像に存在する危険要因の種類は全部で26種類であったが,その危険要因が動的な要因か静的な要因か,自車の挙動に関連する要因か,という3種類に分類した場合や,似た性質の危険要因を統合して10種類にグループ化した場合等について検討した.10種類の危険要因をフレームベースにマルチラベル推定する実験を行った結果,AUCで0.69の精度を得た. 次年度は,今年度得た実験結果を基に,危険感の有無と要因を同時に推定する実験を行い,同時推定によって相乗効果を得ることができないかについて検討する.また,何秒前から危険感や要因を予測可能かといった実験も進める予定である.
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
今年度は,昨年度に行った運転の危険感の推定手法を拡張し,危険感の要因を推定する手法について検討した.危険要因の推定において,深層学習の入力となる周辺障害物の特徴量をどのように併合すべきか,また出力となる危険要因の種類をどのように統合すべきか等について検討したが,実験を進める段階で,検討すべき事項が当初の計画より増えたため,今年度は,危険要因を単独で推定する実験までの実施とし,危険感と危険要因を同時に推定する手法の実験については,来年度に実施することとした.現在,危険感と危険要因の同時推定において検討すべき事項を整理しつつ,実験を進めている状況である.
|
Strategy for Future Research Activity |
危険要因の推定において,すべての危険要因を独立に推定することは,種類が多く推定が困難であるとともに,推定結果の意味理解も難しいため,今年度は類似する危険要因の種類を少ない種類に併合する方法について検討したが,併合方法にについては検討の余地があるため,来年度も引き続き要因の併合方法について検討を進めつつ,引き続き危険要因推定実験を行う予定である.また,推定に用いる深層学習のネットワークの構造として,危険要因と危険感を同時に推定する場合と,危険要因と危険感を独立に推定する場合の推定精度の違いについて調査し,危険要因を危険感と同時推定することによる相乗効果について明らかにする予定である.さらに,過去数秒前までに観測された運転データから危険要因を推定する実験を行い,危険感・危険要因の予測の可能性についても検討する予定である.
|
Report
(3 results)
Research Products
(7 results)
-
-
-
-
-
-
-
[Book] Driver distraction progressive recognition by fusing causal reasoning with deep learning, in "Towards Human-Vehicle Harmonization", Huseyin Abut , Gerhard Schmidt , Kazuya Takeda , Jacob Lambert and John H.L. Hansen, eds., Chapter 3.2023
Author(s)
Peng Ping, Weiping Ding, Quan Shi, Yangkang Liu, Chiyomi Miyajima, Kazuya Takeda
Total Pages
18
Publisher
De Gruyter
ISBN
9783110981223
Related Report