日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

脳波/意図予測/運転支援arXiv:2604.19368

Mind2Drive: 実道路運転中の脳波から運転意図を予測する

Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving

シェア:XThreadsFacebookLINEはてブBluesky

実車両で収集した脳波データを用いて、運転操作前の意図を予測するフレームワークを提案・評価した。12種類の深層学習モデルを比較し、TSCeptionが最高精度を達成した。

詳しい要約

1. どんなもの?

- 実車両に統合した同期マルチセンサプラットフォームを用い、EEGから運転者の意図を予測する枠組みを提案・評価した研究。 - 実走行環境で32回の運転セッションからデータセットを収集。 - 12種類のdeep learningアーキテクチャを同一条件で評価。 - TSCeptionが最高平均精度0.907、Macro-F1 0.901を達成。 - 操作実行の最大1000 ms前まで安定したdecoding性能を維持。

2. 先行研究と比べてどこがすごい?

- 実走行中のEEGは非定常性や認知-運動準備の複雑さから予測が困難とされてきた。 - 本研究は実車両に統合した同期マルチセンサプラットフォームと実走行データセットにより、実環境下での早期かつ安定した意図decodingの実現可能性を示した。 - 12アーキテクチャを同一条件で比較し、TSCeptionの優位性を明示。 - 先行研究との直接的な性能比較の詳細は要旨からは不明。

3. 技術・手法の肝は?

- 実electric vehicleに統合した同期マルチセンサプラットフォームでEEGを計測。 - 実走行32セッションのデータセットを構築。 - 12種類のdeep learningアーキテクチャを同一実験条件で評価。 - 最小限のEEG前処理がartefact-handling pipelinesより優れることを示唆。 - 予測性能は操作前400-600 ms区間でピークに達し、神経準備段階に対応。

4. どうやって有効だと検証した?

- 実走行32セッションのデータセットで12アーキテクチャを同一条件で評価。 - TSCeptionが平均精度0.907、Macro-F1 0.901で最高。 - 操作実行の最大1000 ms前まで性能劣化が最小で時間的安定性を確認。 - 前処理条件と時間区間の追加分析により、最小前処理の優位性と400-600 msのピークを検証。

5. 議論はある?

- 実走行下でのEEGベース運転意図decodingの早期・安定性の実現可能性を支持。 - 最小EEG前処理がartefact-handling pipelinesを上回る点を報告。 - 予測性能が操作前400-600 msでピークとなる神経準備段階の存在を示唆。 - 限界や課題、一般化可能性についての具体的議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法としてTSCeption、EEG-based driver intention prediction、artefact-handling pipelinesが挙げられる。 - 同分野の定番としてEEG decoding、deep learning for EEG、advanced driver assistance systemsに関する研究が次に読む候補。 - 具体的な論文名は要旨からは不明。

※ 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: Ghadah Alosaimi, Hanadi Alhamdan, Wenke E, Stamos Katsigiannis, Amir Atapour-Abarghouei, Toby P. Breckon

分類: cs.CV, cs.HC, cs.LG, cs.RO

原文アブストラクト

Predicting driver intention from neurophysiological signals offers a promising pathway for enhancing proactive safety in advanced driver assistance systems, yet remains challenging in real-world driving due to EEG signal non-stationarity and the complexity of cognitive-motor preparation. This study proposes and evaluates an EEG-based driver intention prediction framework using a synchronised multi-sensor platform integrated into a real electric vehicle. A real-world on-road dataset was collected across 32 driving sessions, and 12 deep learning architectures were evaluated under consistent experimental conditions. Among the evaluated architectures, TSCeption achieved the highest average accuracy (0.907) and Macro-F1 score (0.901). The proposed framework demonstrates strong temporal stability, maintaining robust decoding performance up to 1000 ms before manoeuvre execution with minimal degradation. Furthermore, additional analyses reveal that minimal EEG preprocessing outperforms artefact-handling pipelines, and prediction performance peaks within a 400-600 ms interval, corresponding to a critical neural preparatory phase preceding driving manoeuvres. Overall, these findings support the feasibility of early and stable EEG-based driver intention decoding under real-world on-road conditions. Code: https://github.com/galosaimi/Mind2Drive.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXO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
  3. 3newmo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
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI