Detecting risky driving scenes and analyzing risk factors based on a driver risk feeling estimation model

点击翻译按钮获取中文摘要

今年度は，運転者や同乗者が走行中に感じる危険感の要因を，車載カメラ映像から推定する手法について検討した．車載カメラから得られる映像に対して，領域分割や物体検出を適用し，危険感の要因に関係すると考えられる周辺障害物の特徴量を抽出し，その特徴量を用いて危険要因を推定する枠組みで深層学習を行った．映像から特徴を抽出可能な周辺障害物は，前方車・対向車などの周辺車両，自転車や歩行者，走行の妨害となり得る電柱や建物，道路の幅員等であり，映像から抽出した周辺障害物の情報を深層学習の入力とし，走行中に運転者や同乗者が感じる危険感の要因の種類をネットワークの出力として推定するモデルを構築した．ここで，画像領域分割や物体検出によって得られる障害物の種類の中には，性質が類似したものがあるため，同じカテゴリの障害物として統合して扱うこととした．また，推定する危険要因についても，どの要因を併合して推定すべきかについて，実験を実施しながら検討した．今回実験に用いた走行映像に存在する危険要因の種類は全部で26種類であったが，その危険要因が動的な要因か静的な要因か，自車の挙動に関連する要因か，という3種類に分類した場合や，似た性質の危険要因を統合して10種類にグループ化した場合等について検討した．10種類の危険要因をフレームベースにマルチラベル推定する実験を行った結果，AUCで0.69の精度を得た．次年度は，今年度得た実験結果を基に，危険感の有無と要因を同時に推定する実験を行い，同時推定によって相乗効果を得ることができないかについて検討する．また，何秒前から危険感や要因を予測可能かといった実験も進める予定である．