実世界の自動運転における個別化された生理信号を用いた、ヒューマンセンタードかつ非侵入型のドライバ状態モデリング

要旨: 部分的または条件付きの運転自動化（SAEレベル2-3）を備えた車両では、ドライバーはシステムを監視し、引き継ぎ（テイクオーバー）の要求に応答する責任を負い続けます。したがって、安全な人間と自動化システムの協調のためには、信頼できるドライバー監視が不可欠です。しかし、既存のほとんどのドライバー監視システムは、個人ごとの生理学的な個体差を無視する汎用モデルに依存しています。本研究では、実世界の自動運転中に非侵襲的な生理学センシングを用いて、パーソナライズされたドライバー状態のモデリングが可能かどうかを検証します。Empatica E4のウェアラブルセンサを用い、SAEレベル2の車両で実験を行い、生理学的マルチモーダル信号（皮膚電気活動、心拍数、温度、運動データを含む）を取得しました。画像向けに設計された深層学習アーキテクチャを活用するため、これらの生理学的信号を2次元表現に変換し、事前学習済みの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しました。4名のドライバーに対する実験により、ドライバーの気づきに関連する生理学的パターンには個人間で大きなばらつきがあることが示されました。パーソナライズされたモデルは平均精度92.68%を達成したのに対し、複数ユーザで学習した汎用モデルでは精度が54%まで低下し、ユーザ間の一般化には重大な限界があることが明らかになりました。これらの結果は、将来の自動運転車両に向けて適応的でパーソナライズされたドライバー監視システムが必要であることを裏づけるとともに、自律システムは各ドライバー固有の生理学的プロファイルに適応すべきであることを示唆します。