用于个性化换道行为在线预测的驾驶员数字孪生
系统与控制
2024-09-05 v1 人工智能
系统与控制
摘要
在可预见的未来，网联自动驾驶车辆（CAVs）将与人驾车辆（HDVs）共享道路。因此，考虑混合交通环境更为务实，因为 CAVs 的良好规划运行可能被 HDVs 打断。在人类行为具有重大影响的情形下，CAVs 需理解 HDV 行为以做出安全动作。本研究开发了驾驶员数字孪生（DDT）用于个性化换道行为的在线预测，使 CAVs 可借助数字孪生技术预测周围车辆行为。DDT 部署于车辆-边缘-云架构上，云服务器基于历史自然驾驶数据为每个 HDV 建模驾驶员行为，而边缘服务器利用云上该驾驶员的数字孪生处理其实时数据以预测换道操作。所提系统首先在人在环协同仿真平台上评估，随后通过 4G/LTE 蜂窝网络互联的三辆乘用车进行现场实现。换道意图可在车辆跨过车道分隔线前平均 6 秒被识别，且预测轨迹与 GPS 真值间的平均欧氏距离为 1.03 米（于 4 秒预测窗口内）。相较通用模型，使用个性化模型可将预测精度提升 27.8%。所提系统的演示视频可观看于 https://youtu.be/5cbsabgIOdM。
引用
@article{arxiv.2211.01294,
title = {Driver Digital Twin for Online Prediction of Personalized Lane Change Behavior},
author = {Xishun Liao and Xuanpeng Zhao and Ziran Wang and Zhouqiao Zhao and Kyungtae Han and Rohit Gupta and Matthew J. Barth and Guoyuan Wu},
journal= {arXiv preprint arXiv:2211.01294},
year = {2024}
}