基于非参数贝叶斯随机混合架构的驾驶员行为建模结构
信号处理
2018-07-12 v1 系统与控制
摘要
车辆网络的异构性源于人工驾驶、半自动和全自动驾驶车辆的共存，这是实现具有可接受安全性、舒适性和效率水平的智能交通系统的一个挑战性现象。安全应用深受通信资源限制之苦，特别是在密集和拥堵的车辆网络中。基于模型的通信（MBC）思想最近被提出以解决此问题。在这项工作中，我们提出了基于高斯过程的累积相关历史随机混合系统（CRH-GP-SHS）框架，这是一种建立在非参数贝叶斯推断方法即高斯过程之上的层次化随机混合建模结构。提出该框架是为了在MBC背景下使用，将驾驶员/车辆行为作为随机对象联合建模。非参数贝叶斯方法缓解了非演化模型结构带来的限制，使所提框架能恰当地捕捉不同的随机行为。所提CRH-GP-SHS框架在模式间层面的性能已在来自NGSIM-US101数据集的一组真实变道机动上进行了评估。结果显示，与基线恒速模型相比，GP在高度拥堵网络等关键情况下有显著性能提升。此外，还提出了一个增强模型，它是GP与恒速模型的组合，能够在各种网络可靠性条件下捕捉驾驶员行为。
引用
@article{arxiv.1807.03919,
title = {A Driver Behavior Modeling Structure Based on Non-parametric Bayesian Stochastic Hybrid Architecture},
author = {Hossein Nourkhiz Mahjoub and Behrad Toghi and Yaser P. Fallah},
journal= {arXiv preprint arXiv:1807.03919},
year = {2018}
}
备注
This work has been accepted in 2018 IEEE Connected and Automated Vehicles Symposium (CAVS 2018)