Design and Implementation of the Architecture of a Virtual Driving Instructor

Abstract

En virtuell kjørelærer blir foreslått med motivasjon for å supplere og forsterke klasse B føreropplæring i Norge. Den virtuelle kjørelæreren har en skalerbar multi-agent arkitektur som kan gjenkjenne forbikjøringer, evaluere forbikjøringer, estimere en prestasjonspoengsum av føreren med en regelbasert metode kombinert med multi-criteria decision analysis. Den virtuelle kjørelæreren er i stand til å holde styr på alle kontinuerlig genererte kompleke forklaringer av situasjoner ved å oppbevare dem i foreslåtte explanation trees. Læreutbyttet av hver situasjonsforklaring blir estimert ved å kombinere en nyttefunksjon med prestasjonspoengsum, tid og progresjon. Graden av læreutbyttet blir kalt tilbakemeldingsviktighet, og denne verdien blir brukt til å objektivt velge den optimale tilbakemeldingen som skal bli gitt til føreren. Innholdet i tilbakemeldingene er generert av en malbasert språkgenereringsmetode der malene er designet til å passe diverse undervisningsteknikker tatt fra den norske trafikklærers pensum. Eksperimentene som har blitt utført viser at den virtuelle kjørelæreren kan estimere prestasjonspoengsummer og gi tilbakemeldinger til føreren.

A Virtual Driving Instructor (VDI) is proposed with the motivation of enhancing driving education for class B learner drivers in Norway. The VDI has a scalable multi-agent architecture which can recognise an overtake situation, assess an overtake situation and estimate a performance score of the driver with a rule-based approach combined with multi-criteria decision analysis. Further, the VDI is able to track continuously generated complex explanations of situations contained in the proposed explanation trees. By estimating the learning outcome of each situation explanation by combining utility theory with performance scores, time and student progression, a feedback importance score is estimated to enable the VDI to choose the objectively optimal situation to give feedback on. The content of the feedback is generated with a template-based Natural Language Generation approach where the templates are designed to fit various teaching techniques taken from the driving teacher curriculum of Norway. The conducted experiments show that the VDI can estimate performance scores and provide suitable feedback.