Core Concepts
運転者の注意配分は、タスクと状況の両方によって大きな影響を受ける。従来のモデルは主に視覚的な顕著性に基づいていたが、タスクや状況に関する情報を明示的に組み込むことで、より正確な注意配分の予測が可能になる。
Abstract
本研究では、運転者の注意配分に及ぼすタスクとコンテキストの影響を分析し、モデル化することを目的としている。
まず、DR(eye)VEデータセットの処理パイプラインを改善し、ノイズの少ない注視データを得た。次に、運転タスクとコンテキストに関する新しい注釈を追加した。これにより、タスクや状況の違いが注意配分にどのように影響するかを分析できるようになった。
ベンチマーク実験の結果、従来のボトムアップ型のモデルでは、特に安全上重要な場面(交差点通過時など)での性能が低いことが明らかになった。一方、提案するSCOUTモデルは、タスクとコンテキストの情報を明示的に組み込むことで、全体的な性能を大幅に向上させ(KLDで24%、NSSで89%改善)、特に交差点通過時の性能も10-30%改善できることが示された。
Stats
直進走行中の割合は93%、車線変更は3.4%、右左折は3.2%
加速は16.7%、減速は13.7%、停止は6.5%の割合
無信号交差点は3.65%、合流は0.95%、信号交差点は0.93%、ラウンドアバウトは0.67%の割合