ドライバーの注意散漫データ:ラベルと難しい負例
日本語版:2026年11月9日。原文の公開日と出典は本文に記載しています。
ドライバーの注意散漫データは、各ラベルが行為者、観察可能な動作、判断に必要な条件を示すと評価しやすくなります。「電話が存在する」「ドライバーが電話を持つ」「電話を見る」では証拠が異なります。未定義の1クラスにまとめると、学習前から曖昧さが生まれます。
本ガイドは、注意散漫に関係する動画ラベルと、併せて用意すべき紛らわしい事例を定義するためのものです。 DMS・OMS調達チェックリスト を、ラベル確認の観点から補います。以下では架空の場面とVWU.AIの映像を一つ取り上げ、どの証拠からどのラベルを付けられるかを説明します。
要点
- 可視的な証拠からラベルを定め、動作する人物を特定する。
- 負例と、証拠不足で判断できない事例を区別する。
- 遷移、重複動作、似ている対象外の行動を含める。
- 出力ラベルを検証し、クラス・条件別に誤りを確認する。
モデルに実際に認識させたい動作を選ぶ
注意散漫行動を列挙する前に出力を定義します。物体検出には物体ラベル、行動認識には時間的な行動証拠、視線推定には対象と不確実性の定義が必要です。複合システムなら、それらを組み合わせる規則も明示します。
Drive&Actプロジェクト は、長時間タスク、意味的な行動、物体との相互作用を分けています。この階層は、ラベルが異なる行動レベルを表せることを示します。研究限定の利用条件と商用案件のライセンス要件も区別してください。その構造は参考であり、そのまま購入仕様にはなりません。
各クラスに、観察条件、対象人物、必要な文脈、同時に付けられるラベルを記します。見える動作を内的注意の測定と仮定しないでください。正面を向いていても、認知状態を判断する証拠がないことがあります。
正例一覧だけでなく混同表を作る
難しい負例は対象に似ていても定義を満たさない事例です。特定のラベルとの関係でのみ意味を持ちます。乗客の電話使用は「ドライバーの電話操作」の負例であり、同時に「乗客の電話操作」の正例にもなります。
不明事例は別です。判断に足る証拠がありません。この区別をラベル方針と評価に残します。観察できない事例を確実な負例にすると、学習内容と評価対象を歪めます。
| 合意すべき対象定義 | 負例候補 | 不明・要確認の候補 |
|---|---|---|
| ドライバーが手持ち電話を持って操作する | 乗客が電話を操作する | ドライバーの手と物体が隠れる |
| ドライバーが指定の後部座席領域へ手を伸ばす | ドライバーがギアを変える | 切り取りにより手の行き先が見えない |
| ドライバーが容器から飲む様子が見える | 容器がホルダーに置かれている | 容器で口が隠れ、接触が分からない |
| ドライバーが乗客へ頭を向ける | ドライバーがミラーを見る | 回転中に顔が見えない |
| ドライバーが車載機器を操作する | 操作部の近くに手を置く | 触れた対象を特定できない |
これらの区別には案件ごとの証拠が必要です。例えば、手が画面の近くにあるだけでタッチを証明できません。 DMD論文 は、注意散漫、視線、手の相互作用、時間的な行動を扱う監視データを説明しています。別々の収録領域を設ける考え方は、意味不明な単一フラグへ縮約せず、概念を明示する参考になります。
複数人物が映る場合も役割を維持する
安定した追跡IDとタスク上の役割を両方保存します。「人物2」は動画内で一貫していても、ドライバーかどうかは分かりません。座席・役割・追跡IDを使うなら別項目にします。
視点が変わる、人物が画面外へ出る、座席関係が曖昧な場合の役割付与を指定します。左側の顔が必ずドライバーとは限りません。ハンドル位置は分かる場合だけ記録し、不確実性を確認できるようにします。
相互作用では行為者と相手を示します。「物を渡す」だけでは、ドライバーから乗客か逆かを区別できません。相手が隠れたら関係を創作せず、その制限を記録します。全体の仕様合意前に、複数乗員の例を確認します。
遷移と重複ラベルを定義する
開始・終了、中断、複数ラベルの共存を決めます。電話を持って正面を見た後、持ったまま下を見ることもあります。情報を捨てる規則がない限り、動画単位の単一クラスでは表せません。
架空の8秒映像を考えます。1.0〜2.5秒で電話を拾い、2.5〜5.0秒は手に持ち続けます。視線を判断できるのは3.0〜4.0秒だけです。全編を「電話を見る」とせず、手と物体の動作と視線を別イベントで記録できます。
| 架空の区間 | 利用可能な証拠 | ラベル判断の例 |
|---|---|---|
| 1.0〜2.5秒 | 拾う動作が見える | phone_pickup、行為者はドライバー |
| 2.5〜5.0秒 | 電話を持つ様子が見える | phone_held、行為者はドライバー |
| 3.0〜4.0秒 | 目と対象の関係を判断できる | 確認後に合意した視線ラベルを付ける |
| その他の視線区間 | 視線の証拠が不十分 | gaze_unknown。「正面を見る」とはしない |
時刻は説明用です。実際の手順には固有の境界定義が必要で、電話の動作が明確でも視線ラベルを却下できなければなりません。判断者が遷移を確認できるよう元の文脈を残します。
動画で確認:いつから「スマートフォンを持っている」と記録するか
最初のフレームですでに、スマートフォンは運転者の膝の上にあります。検出対象が「運転者がスマートフォンを持っている状態」なら、映像全体を正例にすると、手に取る前まで含まれます。同じ端末を四つの区間に分けて確認します。
約6秒の車内映像を見る · 4区間のラベルをダウンロード(CSV)
| 時刻(秒) | CSV の端末状態 | 映像で確認できること |
|---|---|---|
| 0–0.75 | phone_on_lap | 端末は運転者の膝の上に平らに置かれています。まだ手を伸ばしていません。 |
| 0.75–1.75 | reaching | 片手を伸ばし、端末の一部が手で隠れます。どのフレームでしっかり握ったかは判別できません。 |
| 1.75–2.75 | lifting | 手とともに端末が持ち上がって傾き、元の位置から離れます。 |
| 2.75–6.041667 | held | 運転者は頭を下に向け、片手で端末を持っています。最終フレームでも持ったままで、手放すところは映っていません。 |
映像は毎秒24フレームで、全145フレームです。CSV のフレーム番号は0から始まり、開始フレームを含み、終了フレームを含みません。最後に映るのは144番です。秒数は小数点以下6桁に丸めているので、正確な位置合わせにはフレーム番号を使います。
画面上の操作は全区間で判定不能としています。表示内容や個々のタップは読み取れず、頭の向きだけでは視線の先も特定できません。区間の境界はこの映像を確認するためのもので、元のフレームに照らして検討できます。
ASAM OpenLABEL で4区間のラベルを再現する
OpenLABEL の区間には、開始フレームと終了フレームの両方が含まれます。手を伸ばす動作は、CSV では18番から42番の直前まで、OpenLABEL では18番から41番までです。42番は端末を持ち上げる動作に含まれます。
OpenLABEL アノテーションをダウンロード(JSON) · CSV・変換スクリプト・手順をダウンロード(ZIP)
読み込み結果は、41番と42番のラベルが映像の動作に合わせて切り替わるかで確認できます。どちらのフレームでも、画面上の操作は判定不能です。
背景がラベルの近道になるのを防ぐ
人物、視点、照明、服装、物体の見た目、車内空間にまたがるカバレッジを計画します。各正例クラスが固有の背景・人物・収録回だけに結び付いていないか確認します。モデルが目的の行動と無関係な手掛かりを使う恐れがあります。
可能なら、同じカメラ条件で異なる動作、同じ動作で異なる条件を対にして確認します。これは診断の設計案で、近道をなくせる保証ではありません。同じ収録のフレームが多いだけで「多様」とはしないでください。
分割時には、関係する人物と元シーケンスをまとめます。 scikit-learn交差検証ガイド は、被験者に関わる依存とグループ分離を説明しています。生成バリエーションや近重複にも、同じ汎化の問いを適用します。
誤りの種類と利用できる証拠で一括確認する
試行で、ラベルマニュアル、出力形式、読み込み処理を一緒に試します。共通部分を独立にラベル付けし、相違を残します。不一致の原因は、曖昧なルール、難しい視点、本当の作業ミスなどで、対応が異なります。
見逃し、余分なイベント、誤クラス、人物の混同、時刻ずれ、根拠のないラベルに分けます。評価できた事例を示してください。全体の高い一致率に、まれなクラスの弱点や特定視点の系統誤差が隠れる場合があります。
モデル評価ではイベント検出とフレーム分類を区別します。予測と参照イベントの対応、繰り返す警報の数え方、誤警報率の分母に使える通常走行時間を合意します。タスク定義と分母が異なる数値を比べないでください。
一括検収前に確認すること:
- 全クラスに包含・除外条件と不明の扱いがある。
- 人物の役割と相互作用の相手が、出力でも意味を保つ。
- 紛らわしい負例と動作遷移が試行に含まれる。
- 同時ラベルと時間規約を学習用リーダーで試している。
- 元グループ、近重複、評価境界を確認している。
- 不具合に修正担当、ルール版、再確認記録がある。
既存の車内動画例 で視覚タスクを相談し、必要な違いを データ要件フォームにご記入ください。ラベルやシナリオを合意済みの納品能力と扱う前に、サンプルを確認します。
編集注記
英語原文は2026年10月29日にVWU.AIが公開。出典に基づくラベル計画ガイドで、新しいベンチマーク、顧客事例、性能報告ではありません。スマートフォン映像の4区間は2026年11月18日に映像と照合しました。別に掲載した8秒間の例は架空のものです。参照元はレビュー時に確認しました。訂正の連絡先: chan@vwu.aiとしてご相談ください。