驾驶员注意力预测的任务引起了研究人员对机器人技术和自动驾驶汽车行业的极大兴趣。驾驶员注意力预测可以在缓解和预防高风险事件（如碰撞和伤亡）中发挥工具作用。但是，现有的驾驶员注意力预测模型忽略了驾驶员的分心状态和意图，这可能会极大地影响他们观察周围环境的方式。为了解决这些问题，我们提出了一个新的驾驶员注意数据集Cocatt（认知条件的注意力）。与以前的驾驶员注意数据集不同，Cocatt包括描述驾驶员的分心状态和意图的人均注释。此外，我们的数据集中的注意力数据使用不同分辨率的眼睛跟踪设备在手动和自动驾驶模式中捕获。我们的结果表明，将上述两个驱动程序状态纳入注意力建模可以提高驾驶员注意力预测的性能。据我们所知，这项工作是第一个提供自动驾驶注意数据的工作。此外，就自主性水平，眼动分辨率和驾驶场景而言，Cocatt目前是最大，最多样化的驾驶员注意数据集。 Cocatt可在https://cocatt-dataset.github.io上下载。
translated by 谷歌翻译
司机注意力预测的任务对机器人和自治车辆行业的研究人员来说具有相当大的兴趣。司机注意预测可以在缓解和防止高风险事件中起作用的乐器作用，如碰撞和伤亡。然而，现有的司机注意力预测模型忽略了驾驶员的分心状态和意图，这可能会显着影响他们如何观察周围环境。为解决这些问题，我们展示了一个新的驱动程序注意数据集，Cocatt（认知条件注意）。与以前的驱动程序注意数据集不同，CoCatt包括单帧注释，用于描述驱动程序的分散注意力状态和意图。此外，我们的数据集中的注意数据在手动和自动驾驶仪模式中使用不同分辨率的眼跟踪设备捕获。我们的结果表明，将上述两个驾驶员状态纳入注意建模可以提高驾驶员注意预测的性能。据我们所知，这项工作是第一个提供自动opilot注意数据的人。此外，COCATT目前是最大的和最多样化的驾驶员注意数据集，在自主水平，眼跟踪器分辨率和驾驶场景方面。
translated by 谷歌翻译