Exploración de Redes Neuronales Holográficas con Cuantificación Difusa para el Monitoreo de Conductores en Conducción Autónoma Condicional

Luis Ariel  Diago Marquez; Hiroe  Abe; Kana  Adachi; Ichiro  Hagiwara

Autores/as

Luis Ariel Diago Marquez MEIJI UNIVERSITY
Hiroe Abe MEIJI UNIVERSITY
Kana Adachi MEIJI UNIVERSITY
Ichiro Hagiwara MEIJI UNIVERSITY

Palabras clave:

Conducción autónoma condicional; Inteligencia artificial explicable; Monitoreo del conductor; Redes neuronales holográficas con cuantificación difusa

Resumen

La Sociedad de Ingenieros Automotrices (SAE ver siglas en ingles) define los sistemas de conducción automatizados (ADS ver siglas en ingles) para vehículos de carretera como aquellos que pueden realizar toda la tarea de conducción dinámica sin un conductor humano en el lazo de control. Bajo la conducción autónoma condicional (SAE Nivel 3), cuando la conducción automatizada falla, se espera que los conductores reanuden la conducción manual. Para que esta transición se produzca de forma segura, es imperativo que los conductores reaccionen de forma adecuada y oportuna, lo que es difícil que suceda una vez que el conductor ha sido sometido a largas distancias de conducción autónoma. Las técnicas de inteligencia artificial (IA) podrían utilizarse para garantizar la seguridad de los sistemas adaptativos de seguridad crítica. No solo observando el entorno exterior del vehículo, sino también monitoreando el estado de la comunicación conductor-vehículo. Además, en este contexto el concepto de IA explicable tiene potencial para proporcionar evidencia de que un ADS podría respaldar la garantía de seguridad y el cumplimiento normativo. En este trabajo presentamos un método neuro-difuso que funciona como un enfoque de aprendizaje automático explicable adecuado para dominios donde se requiere la validación de los modelos de predicción subyacentes. Los resultados de la comparación entre el modelo propuesto y otros modelos de la literatura muestran que el modelo propuesto podría proporcionar explicaciones sobre sus predicciones en tiempo real para garantizar transiciones fluidas en el nivel 3 de SAE.

Citas

Appriou, A., Cichocki, A., & Lotte, F. (2020). Modern Machine-Learning Algorithms: For Classifying Cognitive and Affective States From Electroencephalography Signals. IEEE Systems, Man, and Cybernetics Magazine, 6(3), 29-38.

Ballingall, S., Sarvi, M. & Sweatman, P. (2020). Safety Assurance Concepts for Automated Driving Systems. SAE Technical Paper Series, 2(3), pp. 1528-1537. doi:10.4271/2020-01-0727.

Braunagel, C., Rosenstiel, W., & Kasneci, E. (2017). Ready for take-over? A new driver assistance system for an automated classification of driver take-over readiness. IEEE Intelligent Transportation Systems Magazine, 9(4), 10-22.

Deo, N., & Trivedi, M. M. (2019). Looking at the driver/rider in autonomous vehicles to predict take-over readiness. IEEE Transactions on Intelligent Vehicles, 5(1), 41-52.

Diago, L., Kitaoka, T., Hagiwara, I., & Kambayashi, T. (2011a). Neuro-fuzzy quantification of personal perceptions of facial images based on a limited data set. IEEE Transactions on Neural Networks, 22(12), 2422-2434.

Diago, L., Kitaoka, T., Hagiwara, I., & Ishiguro, S. (2011b). Analyzing facial expressions with fuzzy quantification theory II: indefinite generalized eigenvalue problem. Japan Journal of Industrial and Applied Mathematics, 28(1), 153-170.

Diago, L., Yang, Y., Abe, H. & Hagiwara, I.. (2018). NeuroFaceLab : A new framework for passengers analysis in autonomous driving. En Proceedings of the 31st International Computational Mechanics Symposium - CMD2018(286). Japan: JSME..

Fukushima, H., Kamada, Y., & Hagiwara, I. (2004). Optimum engine mounting layout using MPOD. Nippon Kikai Gakkai Ronbunshu, C Hen/Transactions of the Japan Society of Mechanical Engineers, Part C, 70(1), 54-61.

Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation. ACM computing surveys (CSUR), 46(4), 1-37.

He, J., Liu, D., Wan, Z., & Hu, C. (2014). A noninvasive real-time driving fatigue detection technology based on left prefrontal Attention and Meditation EEG. In 2014 International Conference on Multisensor Fusion and Information Integration for Intelligent Systems (MFI) (pp. 1-6). IEEE.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.

Khan, M. Q. y Lee, S. (2019). A Comprehensive Survey of Driving Monitoring and Assistance Systems. Sensors (Basel, Switzerland), 19(11), 2574. https://doi.org/10.3390/s19112574

Kudo, M., Toyama, J., & Shimbo, M. (1999). Multidimensional curve classification using passing-through regions. Pattern Recognition Letters, 20(11-13), 1103-1111.

Roche, F., Somieski, A., & Brandenburg, S. (2019). Behavioral changes to repeated takeovers in highly automated driving: effects of the takeover-request design and the nondriving-related task modality. Human factors, 61(5), 839-849.

SAE On-Road Automated Vehicle Standards Committee. (2018). Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles. SAE International: Warrendale, PA, USA.

Sutherland, J. G. (1990). A holographic model of memory, learning and expression. International Journal of Neural Systems, 1(03), 259-267.

Wu, Y., Kihara, K., Hasegawa, K., Takeda, Y., Sato, T., Akamatsu, M., & Kitazaki, S. (2020). Age-related differences in effects of non-driving related tasks on takeover performance in automated driving. Journal of safety research, 72, 231-238.