Problem

在自然駕駛數據中，駕駛風格訊號極難分離，因為駕駛者是在不同的車輛、道路與環境條件下被觀察。現有模型常將特定車輛的機械性能或特定情境的規律性，誤認為是駕駛個人的獨特風格，導致模型難以精準捕捉具備行為一致性的特徵。

Method

研究團隊開發了 DriveDNA，這是一個包含 465 位駕駛、115 種車型、總計 975 小時的 10 Hz 自然駕駛資料集，並附帶前向視訊與約 27 萬個經人工稽核的操駕事件。該基準測試定義了三項核心任務：少樣本駕駛再識別、個人化行為預測及條件匹配對照，並評估了包含時序編碼器、多模態融合與零樣本基礎模型在內的多種演算法。

Results

實驗結果顯示，深度學習表徵在未知駕駛的識別表現（AUROC 0.935）顯著優於傳統描述符（0.707）。然而，研究也發現僅依賴視訊的模型雖然準確率高，卻存在嚴重的「路徑洩漏」現象，即模型是透過辨識環境特徵（捷徑）而非駕駛行為來進行判斷。

Significance

DriveDNA 為建立可靠的駕駛風格評估體系奠定了基礎。它證明了開發個人化駕駛模型時，必須同時評估表徵的行為價值以及對車輛、路徑與環境干擾因素的魯棒性，這對自動駕駛與個人化保險評估等領域具有重要參考價值。