用于研究驾驶员在交叉口头部扫描行为的自然驾驶数据提取与处理

《Scientific Reports》：Naturalistic driving data extraction and processing for studying driver head scanning behavior at intersections

　　

摘要

与在固定路线上的实验室和道路测试相比，自然驾驶研究能够为了解现实世界中的驾驶员行为提供重要见解。我们描述了一种用于分析交叉口场景及驾驶员行为的自然驾驶数据处理流程。车载记录系统会记录车辆的速度、位置以及车内和前方场景的视频。交叉口位置是根据行驶日志大致标定的，然后从标记的位置周围各取±100米的视频片段。对这些视频进行处理，以提取交叉口场景的特征，包括标志类型、车辆操作、交通密度等信息，同时还能精确判断车辆进入和离开交叉口的时间。车内视频中的驾驶员头部姿态则是通过专门开发的AI模型来估算的，该模型可用于处理大角度的头部转动情况。评估使用了来自美国3个州、6辆车的365个经过人工标注的交叉口实例。在这些案例中，标志和车辆操作的正确识别率分别达到了99%和95%。交叉口进入位置的估算误差中位数为1.1[0.3–4.2]米，时间为0.23[0.07–0.63]秒；估算结果与实际值的重叠率为0.88[0.8–0.94]。估算出的交通密度与实际标注的交通密度之间存在很强的正相关关系（R=0.73，p<0.001）。在±135°的范围内，头部姿态估算的均方绝对误差为6.75±5.0°，RMSE为8.4°。我们的方法有望实现大量自然驾驶数据的自动化处理，从而帮助研究此前无法观察到的特定驾驶员行为。