Core Concepts
운전 중 운전자의 행동과 상황이 주의력에 미치는 영향을 모델링하기 위해서는 적절한 데이터가 필요하지만, 현재 공개된 데이터셋에는 이러한 정보가 부족하다.
Abstract
이 논문은 운전자의 주의력에 대한 상위 효과를 모델링하는 데 있어서 데이터 한계를 분석한다.
먼저 운전 과제와 상황을 정의하고, 4개의 대규모 공개 데이터셋(DR(eye)VE, BDD-A, MAAD, LBW)을 분석한다. 데이터 수집 및 처리 파이프라인의 특성을 살펴보면, 비디오 데이터, 차량 텔레메트리, 시선 추적 데이터 모두에서 한계가 있음을 확인했다.
이어서 새로 정의한 과제와 상황 라벨을 이용해 데이터셋의 내용을 분석했다. 대부분의 데이터가 단순한 시나리오(속도/차선 유지, 정지)로 구성되어 있고, 복잡한 상황(교차로 통과, 차선 변경 등)은 매우 적었다.
마지막으로 이러한 데이터 한계가 하향식 모델의 성능에 미치는 영향을 실험을 통해 확인했다. 복잡한 운전 상황에서 모델의 성능이 크게 떨어지는 것을 확인했으며, 이는 데이터의 한계와 관련이 있음을 보였다.
향후 운전자 주의력 모델링을 위해서는 데이터 수집 및 처리 과정의 개선이 필요할 것으로 보인다.
Stats
"운전자의 속도가 1km/h 미만인 경우 정지로 간주한다."
"교차로 통과 시점을 기준으로 1초 전부터 데이터를 분석했다."
"DR(eye)VE 데이터셋의 밤 영상에서 시선 투영 오류가 200px을 초과하는 경우가 전체의 50%에 달한다."
Quotes
"운전은 시각운동 과제로, 운전자가 보는 것과 하는 것 사이에 연관성이 있다."
"현재 공개된 대부분의 모델은 하향식이 아닌 상향식으로, 운전 영상과 사람의 시선 데이터 간 상관관계만을 학습한다."
"데이터에 운전자의 행동과 상황에 대한 주석이 부족하여 상위 효과를 모델링하기 어렵다."