CPSOR-GCN：一种融合情绪与认知理论的车辆轨迹预测方法
人工智能
2023-11-15 v1
摘要
车辆主动安全系统常面临误报问题。多数主动安全系统假设驾驶员始终处于正常情绪来预测其轨迹，进而推断风险。然而，异常情绪下驾驶员轨迹不确定性增大。本文提出一种新的轨迹预测模型：CPSOR-GCN，用于预测异常情绪下的车辆轨迹。在物理层，由物理 GCN 模块提取车辆间交互特征。在认知层，以 SOR 认知理论为先验知识构建动态贝叶斯网络（DBN）结构。经标定的 SOR-DBN 中节点的条件概率与状态转移概率量化了认知因素间的因果关系，并被嵌入认知 GCN 模块以提取情绪对驾驶行为影响机制的特征。搭建 CARLA-SUMO 联合驾驶仿真平台以开发危险碰撞前场景。采用交通场景重建方法自然诱发异常情绪。实验收集 26 名参与者数据验证所提模型。与仅考虑物理运动特征的模型相比，所提模型预测精度提升 68.70%。此外，考虑 SOR-DBN 使轨迹预测误差降低 15.93%。与其他先进轨迹预测模型相比，CPSOR-GCN 的结果亦具有更低误差。该模型可集成至主动安全系统以更好适应驾驶员情绪，从而有效减少误报。
引用
@article{arxiv.2311.08086,
title = {CPSOR-GCN: A Vehicle Trajectory Prediction Method Powered by Emotion and Cognitive Theory},
author = {L. Tang and Y. Li and J. Yuan and A. Fu and J. Sun},
journal= {arXiv preprint arXiv:2311.08086},
year = {2023}
}
备注
15 pages, 31 figures, submitted to IEEE Transactions on Intelligent Vehicles