两种基于学习的跟车行为个性化驾驶员模型的开发与评估
系统与控制
2017-03-13 v1
摘要
个性化驾驶员模型在高级驾驶辅助系统和自动驾驶系统的开发中发挥着关键作用。传统上，具有固定结构的基于物理的驾驶员模型通常缺乏描述驾驶员行为的不确定性和高非线性的灵活性。本文利用从密歇根大学安全试点模型部署项目收集的自然驾驶数据，开发了两种基于学习的跟车个性化驾驶员模型。一种模型通过结合高斯混合模型（GMM）和隐马尔可夫模型（HMM）构建，另一种模型通过结合高斯混合模型（GMM）和概率密度函数（PDF）构建。在不同的模型输入和GMM分量数量下，对两种方法的拟合结果进行了分析。统计分析表明，两种模型均具有良好的拟合性能，而GMM-PDF方法在训练数据维度较高时展现出提升模型精度的更大潜力。
引用
@article{arxiv.1703.03534,
title = {Development and Evaluation of Two Learning-Based Personalized Driver Models for Car-Following Behaviors},
author = {Wenshuo Wang and Ding Zhao and Junqiang Xi and David J. LeBlanc and J. Karl Hedrick},
journal= {arXiv preprint arXiv:1703.03534},
year = {2017}
}