日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ドライバモニタリングarXiv:2604.11549

実世界自動運転における個人化生理信号を用いた人間中心の非侵襲的ドライバ状態モデリング

Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving

シェア:XThreadsFacebookLINEはてブBluesky

SAEレベル2の自動運転車で、ウェアラブルセンサによる生理信号を画像化し、個人化モデルでドライバの状態を高精度に推定する手法を提案した。

詳しい要約

1. どんなもの?

SAE Level 2-3の自動運転車において、ドライバーがシステムを監視しtake-over requestに応答する必要があるため、非侵襲的な生理信号を用いた個人化ドライバー状態モデリングの実現可能性を検討した研究。Empatica E4ウェアラブルセンサでelectrodermal activity, heart rate, temperature, motion dataを収集し、深層学習でドライバーのawarenessを推定する。

2. 先行研究と比べてどこがすごい?

既存のDriver Monitoring Systemsは個人の生理的変動を無視した汎化モデルに依存している。本研究は個人化モデルが平均精度92.68%を達成する一方、複数ユーザーで訓練した汎化モデルは54%に低下し、クロスユーザー汎化の限界を明らかにした点が新しい。

3. 技術・手法の肝は?

Empatica E4でelectrodermal activity, heart rate, temperature, motion dataを取得。生理信号を画像用深層学習アーキテクチャで扱うため2次元表現に変換し、pre-trained ResNet50特徴抽出器に基づくマルチモーダルアーキテクチャで処理。個人ごとにモデルを適応させる。

4. どうやって有効だと検証した?

SAE Level 2車両で実世界自動運転実験を実施。4人のドライバーを対象に、個人化モデルと複数ユーザーで訓練した汎化モデルの精度を比較。個人化モデルは平均92.68%、汎化モデルは54%という結果を得た。

5. 議論はある?

ドライバーのawarenessに関連する生理パターンに大きな個人差があることを示し、将来の自動運転車には適応型・個人化ドライバーモニタリングシステムが必要であると示唆。自律システムは各ドライバー固有の生理プロファイルに適応すべきと議論。

6. 次に読むべき論文は?

要旨からは不明(参照・比較されている研究が明記されていない)。同分野の定番として、汎用Driver Monitoring Systemsや生理信号を用いたドライバー状態推定に関する研究が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: David Puertas-Ramirez, Raul Fernandez-Matellan, David Martin Gomez, Jesus G. Boticario

分類: cs.HC, cs.LG, cs.RO

原文アブストラクト

In vehicles with partial or conditional driving automation (SAE Levels 2-3), the driver remains responsible for supervising the system and responding to take-over requests. Therefore, reliable driver monitoring is essential for safe human-automation collaboration. However, most existing Driver Monitoring Systems rely on generalized models that ignore individual physiological variability. In this study, we examine the feasibility of personalized driver state modeling using non-intrusive physiological sensing during real-world automated driving. We conducted experiments in an SAE Level 2 vehicle using an Empatica E4 wearable sensor to capture multimodal physiological signals, including electrodermal activity, heart rate, temperature, and motion data. To leverage deep learning architectures designed for images, we transformed the physiological signals into two-dimensional representations and processed them using a multimodal architecture based on pre-trained ResNet50 feature extractors. Experiments across four drivers demonstrate substantial interindividual variability in physiological patterns related to driver awareness. Personalized models achieved an average accuracy of 92.68%, whereas generalized models trained on multiple users dropped to an accuracy of 54%, revealing substantial limitations in cross-user generalization. These results underscore the necessity of adaptive, personalized driver monitoring systems for future automated vehicles and imply that autonomous systems should adapt to each driver's unique physiological profile.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI