一种用于车辆轨迹预测的物理增强残差学习（PERL）框架
机器学习
2024-03-22 v2
摘要
在车辆轨迹预测中，物理模型与数据驱动模型是两种主要方法。然而，每种方法都存在自身的问题：物理模型在可预测性方面不足，而数据驱动模型缺乏可解释性。针对这些已识别的不足，本文提出了一种新颖的框架，即物理增强残差学习（PERL）模型。PERL 将基于物理的方法与数据驱动方法的优势相结合用于交通状态预测。PERL 包含一个物理模型和一个残差学习模型。其预测结果为物理模型结果与一个预测残差之和，作为对物理模型结果的修正。它保留了基于物理模型固有的可解释性，并且与数据驱动方法相比降低了对数据量的需求。实验使用真实世界的车辆轨迹数据集进行。我们提出了一种 PERL 模型，以智能驾驶员模型（IDM）作为其物理跟车模型，以长短期记忆（LSTM）作为其残差学习模型。我们将该 PERL 模型与物理跟车模型、数据驱动模型以及其他物理信息神经网络（PINN）模型进行比较。结果表明，与物理模型、数据驱动模型和 PINN 模型相比，PERL 在小型数据集上实现了更好的预测。其次，PERL 模型在训练过程中表现出更快的收敛速度，以比数据驱动模型和 PINN 模型更少的训练样本提供了相当的性能。敏感性分析也证明了使用另一种残差学习模型和物理跟车模型时 PERL 具有相当的性能。
引用
@article{arxiv.2309.15284,
title = {A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction},
author = {Keke Long and Zihao Sheng and Haotian Shi and Xiaopeng Li and Sikai Chen and Sue Ahn},
journal= {arXiv preprint arXiv:2309.15284},
year = {2024}
}