基于隐马尔可夫模型的数据驱动转向扭矩行为建模
人机交互
2022-07-06 v1
摘要
现代高级驾驶辅助系统（ADAS）在考虑驾驶员意图方面能力有限，导致引导不自然且客户接受度低。本研究中，我们聚焦于一种预测驾驶员转向扭矩的新颖数据驱动方法。具体而言，通过学习隐马尔可夫模型（HMM）的参数对驾驶员行为建模，并采用高斯混合回归（GMR）进行估计。一个广泛的参数选择框架使我们能客观选择模型超参数并防止过拟合。最终模型行为通过平衡精度与平滑性的代价函数优化。使用丰田欧洲（Toyota Motor Europe）的静态驾驶模拟器获取涵盖七名参与者的自然驾驶数据，用于所提模型的训练、评估与测试。结果表明，与基线相比，我们的方法以少 90% 的数据实现了 92% 的转向扭矩精度，且信号平滑性提升 37%。此外，我们的模型捕捉了从新手到专家驾驶员复杂且非线性的人的行为及驾驶员间差异，展现出成为未来面向用户的 ADAS 中转向性能预测器的有趣潜力。
引用
@article{arxiv.2207.01995,
title = {Data-driven Steering Torque Behaviour Modelling with Hidden Markov Models},
author = {Robert van Wijk and Andrea Michelle Rios Lazcano and Xabier Carrera Akutain and Barys Shyrokau},
journal= {arXiv preprint arXiv:2207.01995},
year = {2022}
}
备注
submitted to IFAC HMM 2022