DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data
原始资料：../evidence/papers/2012.15441v2.pdf
资料层级：evidence/papers。
资料类型：PDF 论文，CHI 2021。
状态：已用 pdftotext 抽取并索引。
基本信息
- 标题：DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data
- 作者：Erfan Pakdamanian, Shili Sheng, Sonia Baee, Seongkook Heo, Sarit Kraus, Lu Feng
- 会议：CHI 2021
- DOI：https://doi.org/10.1145/3411764.3445563
- 关键词：Automated driving, Multimodal data, Takeover behavior, Human-automation interaction, Deep neural networks
研究问题
DeepTake 研究的是 L3 自动驾驶场景下，系统发出 takeover request 之前，能否用多模态数据预测驾驶员的接管行为。
论文把接管行为拆成三个分类任务：
- takeover intention：驾驶员是否会响应 TOR。
- takeover time：驾驶员多久恢复人工控制。
- takeover quality：接管后的控制质量。
多模态输入
DeepTake 使用的数据源包括：
- pre-driving survey：性别、NASA-TLX、PSS-10 等。
- NDRTs：交谈、使用手机、阅读、算术题。
- eye movement：gaze position、pupil size、fixation 等。
- heart rate / PPG：SDNN、RMSSD、pNN50。
- GSR：peaks number、peaks amplitude。
- vehicle data：车道距离、障碍距离、方向盘角、油门/制动角、车速。
论文使用 TOR 前固定时间窗做特征聚合。作者从 2 秒到 18 秒探索后，在实验中选择了 TOR 前 10 秒窗口。
实验设置
- 20 名被试，18-30 岁，平均 23.5 岁。
- 3 名被试数据因生物信号缺失或大量缺失值被排除。
- 使用低保真驾驶模拟器：Logitech G29、30 英寸显示器、PreScan、iMotions。
- 使用 Tobii Pro Glasses 2 采集眼动。
- 使用 Shimmer3+ wearable device 采集 PPG 和 GSR。
- NDRTs 包括交谈、手机、阅读、算术。
结果
DeepTake 与 Logistic Regression、Gradient Boosting、Random Forest、Naive Bayes、AdaBoost、RGF 等模型比较。
论文报告的 DeepTake 准确率：
- takeover intention：96%，weighted F1 0.93。
- takeover time：93%，weighted F1 0.87。
- takeover quality：83%，weighted F1 0.78。
这能直接支撑四阶段图中“DeepTake（CHI 2021）”“多模态数据”“接管意图/时间/质量”“多任务 DNN”的说法。
局限
论文自己明确指出：
- 数据来自低保真驾驶模拟器，接管行为可能受设置简化影响。
- 需要更多真实道路数据。
- 当前为离线评估，不是在线量产系统。
- 后续需要更大数据集，尤其是预测连续接管时间。
- 主观 survey 在真实道路应用中可能带来偏差，未来需要减少或排除。
因此，DeepTake 适合作为“阶段 3：多模态深度融合与学术化突破”的强证据，但不能直接证明该方向已工程量产。
对四阶段图的证据价值
强支持：
- CHI 2021 学术论文存在。
- 输入确实包括车辆数据、眼动、生理信号、NDRT 和 subjective measurements。
- 生理信号确实包括 HR/PPG 和 GSR。
- 输出确实包括接管意图、接管时间和接管质量。
- 论文确实使用 DNN，并报告 96% / 93% / 83% 准确率。
需要修正：
- 四阶段图里写“车辆 + GSR + 视线 + 主观调研”基本成立，但更准确应写“pre-driving survey + vehicle data + NDRT information + eye movement + HR/PPG + GSR”。
- DeepTake 不应被描述成工程化方案；它是受控模拟器里的学术验证。
相关页：