Identificazione della distrazione del guidatore attraverso sensori non intrusivi e dinamica veicolare

With the increasing use of mobile phones, interacting with complex infotainment systems of modern cars increases the driver’s distraction notably. Consequently, this induces many road accidents and has become an increasingly relevant matter to discuss in recent traffic safety research. Analyzing driver behavior using machine learning methods is one of the most promising solutions to detect driver distraction. The aim of the research in this thesis is to study whether it is possible to determine distraction using only unobtrusive sensors and vehicle dynamics, with a focus on cognitive distraction. Experiments are carried out in the context of the European project ``NextPerception''. In this thesis, we have been using driving data collected on a driving simulator from 26 different participants, consisting in RGB video and vehicle dynamics. We have manually and automatically selected the most influential features from this dataset, such as gaze, Action Units of facial muscles, lane gap, acceleration, and other vehicle dynamics data that, according to the literature, are relevant to classify distracted and non-distracted drivers. We used Machine Learning methods for classification and regression, such as Random Forest, K-NN, Multi-Layer Perceptron, Long Short Term Memory, and 1D Convolutional Neural Network. The results show that eyes-off-road condition is a very simple task with the front camera data; in fact, even with the very simple MLP model, an F1-Score in the distracted class of about 92\% is obtained. For cognitive distraction, on the other hand, we reach poor performance, in fact, the maximum accuracy obtained is 61\% and it is even worse for all other models tested as if it were a random guessing model. We verified that the dataset does not provide enough information to better model cognitive distraction. Finally, the dominant features that most influence the classification (global features importance) have been identified, thus allowing us to explain the classification and to compare them with recent research. In conclusion, the classifier was implemented in an embedded system capable of interfacing with the simulator which will allow a fine-tuning of the system.

Con il crescente utilizzo dei telefoni cellulari e l'interazione con i complessi sistemi di infotainment delle auto moderne, la distrazione del conducente è aumenta notevolmente. Di conseguenza, questo provoca molti incidenti stradali ed è diventato un argomento sempre più rilevante da discutere nelle recenti ricerche sulla sicurezza stradale. L'analisi del comportamento del conducente utilizzando metodi di apprendimento automatico è una delle soluzioni più promettenti per rilevare la distrazione del conducente. Lo scopo della ricerca in questa tesi è studiare se è possibile determinare la distrazione utilizzando solo sensori non invasivi e la dinamica del veicolo, con particolare attenzione alla distrazione cognitiva. Gli esperimenti sono condotti nell'ambito del progetto europeo ``NextPerception''. In questa tesi, abbiamo utilizzato i dati di guida raccolti su un simulatore di guida da 26 diversi partecipanti, costituiti da video RGB e dinamica del veicolo. Abbiamo selezionato manualmente e automaticamente le features più influenti da questo set di dati, come lo sguardo, le unità di azione dei muscoli facciali, il gap di corsia, l'accelerazione e altri dati sulla dinamica del veicolo che, secondo la letteratura, sono rilevanti per classificare i conducenti distratti e non distratti. Abbiamo utilizzato metodi di Machine Learning per la classificazione e la regressione, come Random Forest, K-NN, Multi-Layer Perceptron, Long Short Term Memory e 1D Convolutional Neural Network. I risultati mostrano che gli ``occhi fuori strada'' sono un compito molto semplice da individuare con i dati della fotocamera anteriore; infatti, anche con il semplicissimo modello MLP, si ottiene un F1-Score nella classe distratta di circa 92\%. Per la distrazione cognitiva, invece, si arriva a prestazioni scadenti, infatti la massima accuratezza ottenuta è del 61\% ed è anche peggio per tutti gli altri modelli testati, come fosse un modello casuale. Abbiamo verificato che il dataset utilizzato non fornisce informazioni sufficienti per modellare meglio la distrazione cognitiva. Infine, sono state individuate le features dominanti che maggiormente influenzano la classificazione (features importance a livello globale), permettendo così di spiegare la classificazione e di confrontarle con ricerche recenti. In conclusione, il classificatore è stato implementato in un sistema embedded in grado di interfacciarsi con il simulatore che consentirà una messa a punto del sistema.