基于增量学习的头部动态个性化机动预测方法

《Computer Communications》：Personalizing head dynamic-based maneuver prediction by incremental learning

　　

• •
  提出HeadLearner，一种基于监督增量学习的个性化机动预测系统。
• •
  通过将机动检测与基于头部动态的预测相结合，实现持续自动标注。
• •
  设计基于弹性权重巩固（EWC）的双流CNN，在提升适应性的同时缓解灾难性遗忘。

引言

微型移动出行，包括电动自行车和电动滑板车等交通方式，正逐渐成为城市交通的重要组成部分，并为市民提供了显著便利。然而，微型移动出行也带来了一系列社会问题，其中交通事故最为突出。根据一项自行车安全调查[1]，2023年美国因涉及自行车的事件导致超过1100人丧生，逾49,989人受伤。美国疾病控制与预防中心（CDC）[2]指出，需要持续医疗治疗并导致生产力损失的伤害每年造成230亿美元的经济损失。减少事故伤害的首要安全骑行建议是佩戴头盔和必要的防护装备[3]。根据美国统计数据[4]，使用头盔可将骑手脑损伤风险降低60%。

虽然头盔和护具等被动安全装备可以减轻伤害，但无法从根本上减少事故发生。近年来，研究人员越来越关注机动预测[5]、[6]，即利用机动发生前数秒收集的信息（如驾驶员注视[7]或生理信号、历史驾驶轨迹[8]、[9]、[10]、[11]、无人机交通数据[12]、[13]以及周围环境信息[14]、[15]）来推断即将发生的机动类型。预测骑手即将进行的机动操作是一项有前景的技术，因为它可以通过车对车（V2V）和车对万物（V2X）通信技术[16]、[17]提前通知行人和附近车辆驾驶员，从而降低事故发生的概率。

然而，基于深度学习直接构建的机动预测系统在实际应用中很难适应复杂的交通状况和多样化的骑手。目前，大多数机动预测相关系统都基于深度学习技术，其训练过程通常需要大量数据。复杂多变的交通状况使得所收集的数据难以覆盖所有方面，骑手的多样性进一步增加了问题的复杂性。机动预测中理想的"一次训练，适用于所有"范式很难完美实现。

从新骑手和新交通环境中收集的数据进行增量学习似乎是一个潜在的解决方案。然而，这一潜在方案带来了以下两个技术挑战（如图1所示）：

（1）如何实现基于监督增量学习的机动预测系统？众所周知，数据集标签通常需要人工标注。随着骑手行程的进行，我们将收集越来越多的数据。对于这些新收集的数据，我们不能始终依赖人工进行标注。如何在不借助人工的情况下持续获得准确的机动标签，是我们需要考虑的问题。

（2）如何利用不断增长的数据来提升个性化机动预测模型的性能？随着训练数据的增加，增量学习也将持续进行。如果学习过程不受任何限制措施约束，由于新数据的引入，机动预测模型将逐渐忘记从初始训练中习得的知识，从而导致预测结果出现显著偏差。为此，如何充分利用新收集的数据，同时避免模型遗忘重要知识，是另一个问题。

我们提出HeadLearner，一种基于头部动态的个性化机动预测系统，采用增量学习方法。HeadLearner接收两类数据作为输入源：车把安装智能手机的数据和头盔安装惯性测量单元（IMU）的数据。它们分别反映微型移动出行的转向情况和骑手的头部动态。在HeadLearner中，我们主要关注两个任务：基于转向数据的机动检测和基于骑手头部动态数据的机动预测。机动检测作为一个相对简单的任务，可以帮助我们持续获得骑手的机动标签。结合头部动态数据，这一机动标签反过来可以辅助基于头部动态的机动预测模型的持续增量训练。通过采用弹性权重巩固方法，我们使机动预测模型始终保留重要参数。因此，通过对每位骑手持续进行机动预测模型的增量训练，我们可以实现一个能够不断适应新交通环境和多样化骑手的（个性化）机动预测系统。

HeadLearner不依赖昂贵的注视捕获设备（如Tobii Pro眼镜）、基础设施或昂贵的车载传感器。相反，它仅需低成本可穿戴传感来直接捕捉以骑手为中心的行为模式。这种轻量级且鲁棒的传感范式降低了部署成本，并为可扩展的微型移动出行应用提供了互补方案。

本文的主要贡献总结如下：

• •
  据我们所知，我们首次提出将增量学习方案应用于机动预测系统，以应对多样化骑手和复杂多变的交通场景。
• •
  我们提出了一种新型基于双流CNN的深度学习架构，可用于机动检测和个性化机动预测任务。
• •
  我们采用利用弹性权重巩固（EWC）的增量学习方案，解决了模型随着数据增长而遗忘机动预测初始知识的问题。
• •
  我们使用来自20名参与者的真实世界数据进行了广泛的评估。在机动检测和预测方面取得的不错的评估结果验证了HeadLearner在实际应用中的良好可用性。

本文其余部分的结构如下：第2节阐述了研究的动机。第3节从设计、实现和技术方面详细介绍了HeadLearner。第4节展示了实验和评估结果。第5节回顾了关于机动检测、预测和增量学习的相关工作。第6节讨论了潜在应用和改进可能性。最后，第7节总结全文。

章节摘要

基于头部动态的机动预测

如我们在第5节所述，现有研究表明，使用转向机动前与骑手相关的数据可以预测即将到来的机动操作。其中，目前大多数机动预测系统采用注视作为输入信息[7]、[18]。然而，捕获注视通常需要昂贵的注视跟踪设备，如Tobii Pro眼镜等。这使得基于注视的机动预测系统成本高昂，难以在实际中大规模部署。部分

概述

我们在图3中提供了所提设计的概述。HeadLearner主要由两部分组成：骑行机动建模（离线阶段）和机动检测与预测及模型个性化（在线阶段）。

离线阶段：该阶段主要包括数据收集、标注和初始模型训练。我们分别使用车把安装智能手机收集的数据训练机动检测模型，使用头盔安装IMU的数据训练机动预测

数据收集

我们的数据收集自20名志愿者，男女各半，年龄在22至30岁之间。我们使用城市自行车收集数据¹，

机动检测

作为一个相对成熟的研究领域，研究人员已提出了各种车辆和微型移动出行机动检测方法。在机动检测任务中最常用的传感器是IMU，大多数研究人员使用智能手机中内置的IMU。例如，Usami等人[27]提出了一种自行车行为监测方法，仅需将智能手机安装在自行车车把上即可。然而，他们的工作相对初级：它只能检测向左

讨论

本文主要介绍了我们当前的概念和原型，但仍可从多个方面进行进一步增强。以下讨论最关键的内容。

结论

在本文中，我们提出了HeadLearner，一种新颖的个性化微型移动出行机动预测系统。我们首先使用车把安装智能手机的数据执行相对简单的机动检测任务，以获得机动标签。然后，利用机动标签和骑手对应的头部动态数据，我们可以对基于头部动态的机动预测模型进行增量训练。通过整合增量学习，我们赋予机动

CRediT作者贡献声明

韩增一（Zengyi Han）：撰写——原稿、方法论、概念构思。董学富（Xuefu Dong）：可视化。徐力强（Liqiang Xu）：撰写——原稿、概念构思。杨富宁（Funing Yang）：撰写——审阅与编辑。西谷裕之（Yuuki Nishiyama）：监督、资源提供。关口香（Kaoru Sezaki）：监督、资源提供。

利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本研究部分得到国家自然科学基金（项目编号：62602228）、吉林省科技发展计划（项目编号：20240302093GX）、四川省科技计划项目（省院—校合作项目）（项目编号：2025YFHZ0015）、遥感卫星动态管理系统开发（项目编号：2026220103000051）、日本JSPS学术研究资助（项目编号JP25K15350）以及国家信息与

韩增一|董学富|徐力强|杨富宁|西谷裕之|关口香