Driver's Perceived Risk Prediction Method Based on Semisupervised Learning Strategy

Siwei Huang

doi:10.1109/THMS.2026.3667782

Driver's Perceived Risk Prediction Method Based on Semisupervised Learning Strategy

2026-04-16

0

PRE

AI

DOI：10.1109/THMS.2026.3667782

原文链接

原文求助

摘要

En 中文

安全已成为自动驾驶系统(ADSs)发展的关键问题。驾驶员的风险感知决定了他们对ADS的接受度、信任度和使用情况。然而，驾驶员的主观感知风险是主观的，难以用传统的风险评估方法进行评估。为解决此问题，提出了一种驾驶员主观感知风险(DSPR)模型，该模型将驾驶员的感知风险视为一种动态触发机制，表现出各向异性和衰减性。随后，招募20名参与者进行驾驶员在环实验，报告他们在体验各种真实世界自动驾驶场景时的实时主观风险评分(SRRs)。将卷积神经网络和带有时间模式注意力的双向长短时记忆网络(CNN-Bi-LSTM-TPA)嵌入半监督学习策略中，以预测驾驶员的SRRs，旨在减少由驾驶员主观随机性引起的数据噪声。结果表明，所提出的DSPR模型结合半监督学习策略在预测驾驶员SRRs方面达到87.91%的最高预测准确率，优于其他三种最新风险模型。与在原始数据上训练的模型相比，半监督方法将准确率提高了20.12%。所提出的CNN-Bi-LSTM-TPA网络在四种不同网络结构中表现最佳。最后，应用遗传算法优化参数，将准确率提高到89.95%。本研究为评估驾驶员感知风险提供了一种有效方法，为ADS的安全增强和驾驶员信任提升提供了支持。

Keyword:

Automated driving

human-in-the-loop

perceived risk

risk assessment

Driver's Perceived Risk Prediction Method Based on Semisupervised Learning Strategy

摘要

期刊

机构