利用驾驶员、车辆和环境的交互：使用驾驶员监控摄像头通过机器学习检测酒驾

文献标题

Leveraging driver vehicle and environment interaction: Machine learning using driver monitoring cameras to detect drunk driving

文献信息

• 主题领域: 人机交互、机器学习、智能驾驶
• 关键词: 酒驾检测, 健康安全, 驾驶行为, 机器学习, 驾驶监控摄像头, 眼动, 头部移动

研究背景与问题

• 问题与挑战: 全球范围内，酒精相关的驾驶问题导致的健康损害和道路交通事故比例居高不下，传统酒驾检测手段如点火锁装置成本高昂且维护复杂，难以普及。现有技术对驾驶行为的检测难以区分个体差异和场景变化。
• 重要性: 酒精影响驾驶行为是交通安全领域的关键问题。降低酒驾事件对生命的威胁，推动健康行为的改变具有重要社会意义。
• 研究动机与相关工作: 作者注意到，驾驶监控摄像头在现代汽车中逐渐成为标配，因此调研其在检测酒驾方面的潜力。现有研究主要聚焦驾驶数据（如方向盘操作等）对酒驾检测的效果，但缺乏对摄像头数据的使用。

解决方案

• 方法或解决方案: 提出了一种基于驾驶监控摄像头的机器学习系统，通过分析驾驶员的眼动行为、头部活动来预测酒精影响的程度。
• 创新之处:
  • 首次使用驾驶监控摄像头检测酒驾，解决了传统基于驾驶数据的精度不足问题。
  • 系统对未见个体和驾驶场景具有较强的泛化能力。
  • 系统利用酒精对视觉和运动的已知病理生理学影响进行验证，使模型具备解释性。
• 实施步骤:
  1. 使用驾驶监控摄像头实时捕获驾驶员的眼动和头部移动数据。
  2. 通过滑动窗口法提取特征，为机器学习模型生成输入数据集。
  3. 应用分类任务并训练模型预测两种血液酒精浓度门槛：适用于早期警告的低浓度水平和超过法定限制的高浓度水平。

研究成果

• 具体成果:
  • 系统成功在驾驶模拟器实验中检测到酒精影响，并对两种酒精浓度等级提供警告（早期警告AUROC为0.88，高浓度检测AUROC为0.79）。
  • 实验验证了摄像头数据比传统驾驶行为数据具备高预测精度，摄像头数据的单独表现优于其与车辆CAN信号数据的结合。
• 优势:
  • 系统成本低、易于大规模实施。
  • 驾驶监控摄像头在现代汽车中正逐步普及，符合未来法规要求。
  • 可提供实时反馈，对酒驾进行早期干预。
• 实验或评估结果:
  • 系统在模拟器中的多种驾驶场景（高速路、城市道路和乡村道路）中的表现稳定。
  • 评估过程中，跨个体和场景的泛化能力良好。
• 局限性与未来方向:
  • 系统尚未在真实驾驶环境中测试，需进一步校准以降低误报率。
  • 模型可能受个体差异影响，如饮酒习惯或视觉行为问题。
  • 推荐后续研究结合实际道路实验以及更广泛的目标群体（如不同年龄或健康状况）进行验证。

数据可用性

任何申请原始数据的请求需通过科学研究伦理委员会审查，仅接受非商业目的的申请。所有分享的数据将已去标识化，并需签署材料传输协议。

作者致谢

研究由University of St. Gallen和ETH Zurich合办的Bosch IoT Lab资助，同时获得瑞士国家科学基金会的支持。资助方对研究设计、实施和数据分析未施加任何影响。