본 논문은 자율주행 자동차의 안전한 운전자 제어 전환을 위해 운전자의 인계 준비도를 정확하고 시기 적절하게 평가하는 새로운 딥러닝 프레임워크인 Driver-Net을 제안한다. Driver-Net은 기존의 머리 자세나 시선에 집중하는 시각 기반 운전자 모니터링 시스템과 달리, 세 개의 카메라를 사용하여 운전자의 머리, 손, 자세 등의 시각적 단서를 동기화하여 포착한다. Context Block과 Feature Block으로 구성된 이중 경로 아키텍처를 통해 시공간 데이터를 통합하고, 다중 모드 융합 전략을 사용하여 예측 정확도를 높인다. 리즈 대학교 운전 시뮬레이터에서 수집한 다양한 데이터셋으로 평가한 결과, 운전자 준비도 분류에서 최대 95.8%의 정확도를 달성하였다. 이는 기존 방법을 상당히 개선하며, 다중 모드 및 다중 뷰 융합의 중요성을 강조한다. 실시간 비침해적인 솔루션으로서 Driver-Net은 더 안전하고 신뢰할 수 있는 자율주행 자동차 개발에 크게 기여하며, 새로운 규제 및 향후 안전 기준에 부합한다.
