Detekcija stanja vozača temeljena na Beyesovim mrežama

diplomski rad

• Naslov (engleski): Driver state detection based on baysian networks
• Autor: Anela Omerović
• Mentor: Jerome Harri (mentor); ISVU oznaka: JH038
• Član povjerenstva: Jerome Harri (predsjednik povjerenstva); ISVU oznaka: JH038
• Član povjerenstva: Christian Bonnet (član povjerenstva); ISVU oznaka: CB003
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2016-09-16, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

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.

Sažetak (engleski)

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.

• Ključne riječi: strojno učenje; Bayesove mreže; pažnja; vozač; automobili
• Ključne riječi (engleski): machine learning; Bayesian network; attention; cognitive distraction; driving
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:333543
• Studijski program: Naziv: Elektrotehnika i informacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-19 18:48:56