Detekcija stanja vozača temeljena na Beyesovim mrežama

master's thesis

• Title (english): Driver state detection based on baysian networks
• Author: Anela Omerović
• Mentor: Jerome Harri (mentor); ISVU oznaka: JH038
• Committee member: Jerome Harri (predsjednik povjerenstva); ISVU oznaka: JH038
• Committee member: Christian Bonnet (član povjerenstva); ISVU oznaka: CB003
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2016-09-16, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering

Abstract

Znanje o stanju vozača postaje jedno od presudnih faktora razvoju automobilske industrije. Koristi se kako bi se poboljšali sustavi asistencije vozaču koji su ugrađeni u automobile. Naprednim znanjem o stanju vozača ti se sustavi unaprijeđuju i optimiziraju. Jedan čimbenik od posebne važnosti u kontekstu vožnje je fokusiranost vozača na zadatak vožnje. Nedostatak pažnje može voditi ka fatalnim posljedicama, a da bi detektirali taj nedostatak pažnje potrebno je znati kako ga na vrijeme uočiti. Da bi se detektirao nedostatak pažnje razvijeni su različiti sustavi asistencije vozaču koji šalju upozorenja vozaču i na taj način spriječavaju nesreće. Trenutna istraživanja mjere kolika je kritična vrijednost nepažnje vozača koja ima fatalne ishode. I na taj način pokušavaju točno odrediti kada i kako treba upozoriti vozača. U ovom diplomskom radu predlaže se metoda strojnog učenja koja će detektirati stanje vozača. Metoda je razvijena na temelju simulatorske studije s 48 subjekata koji su vozili auto sa i bez sporednog zadatka. Studija s temelji na tri razine kompleksnosti prometa. Informacije o vozaču sadržavale su smjer pogleda vozača, informacije o položaju vozila unutar trake, te o fizičkom stanju vozača. Razvijen je algoritam Bayesove mreže kako bi se, temeljeno na statističkom znanju, utvrdile poveznice među podacima te pronašle uzročno/posljedične veze koje doprinose detekciji stanja vozača.

Abstract (english)

Knowledge about driver's state is becoming one of the most important factors in the automotive industry. It is used to improve the advanced driver assistance systems implemented in the vehicles and to optimize highly automated driving modes by adding knowledge about the driver's approximate takeover time. In order to improve these systems it is necessary to have better understanding of driver behavior. One aspect of special importance in the context of driving is the level of driver's focus on the driving task. Lack of attention can lead to fatal outcomes so driving assistance systems are here to detect this lack of attention and send warnings to driver in order to prevent accidents. To detect dangerous situations system has to learn how to recognize it. Current research investigates measures, indicating critical inattention of a driver before a dangerous situation arouses. In this thesis we propose a machine learning method for driver state detection using data from a simulator study preformed by 48 subjects with and without a secondary task. Available information was about the situation complexity, the vehicle maneuvering by the driver (longitudinal and lateral) as well as the gaze information from the driver. Bayesian network algorithm was chosen based on the statistical analysis of the data to inspect the data and find correlation between the observed attributes and driver's state.

• Keywords: strojno učenje; Bayesove mreže; pažnja; vozač; automobili
• Keywords (english): machine learning; Bayesian network; attention; cognitive distraction; driving
• Language: english
• URN:NBN: urn:nbn:hr:168:333543
• Study programme: Title: Electrical Engineering and Information Technology; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2019-03-19 18:48:56