基于时间序列分割与分类的驾驶操纵检测与分析
计算机视觉与模式识别
2022-11-15 v1
摘要
本文实现了一种在自然驾驶环境下从车辆遥测数据自动检测车辆操纵的方法。先前的方法将车辆操纵检测视为分类问题，但由于输入遥测数据是连续的，因此实际上需要时间序列分割与分类两者。我们的目标是从自然驾驶研究视频中开发端到端流水线，将逐帧标注为各种驾驶事件，包括停车与车道保持事件、变道、左右转弯运动以及水平弯道操纵。为解决时间序列分割问题，本研究开发了能量最大化算法（EMA），能够从连续信号数据中提取具有不同时长和频率的驾驶事件。为降低过拟合与误报率，使用启发式算法对具有高度可变模式的事件（如停车和车道保持）进行分类。为对分割后的驾驶事件进行分类，实现了四种机器学习模型，并在多个数据源上评估了它们的准确率和可迁移性。EMA 提取的事件时长与实际事件相近，准确率从 59.30%（左变道）到 85.60%（车道保持）不等。此外，一维卷积神经网络模型的总体准确率为 98.99%，其次是长短期记忆（Long-short-term-memory）模型 97.75%，随机森林模型 97.71%，支持向量机模型 97.65%。这些模型准确率在不同数据源上保持一致。研究得出结论，实施分割-分类流水线显著提高了浅层和深层机器学习模型在不同数据集上驾驶操纵检测的准确率和可迁移性。
引用
@article{arxiv.2211.06463,
title = {Driver Maneuver Detection and Analysis using Time Series Segmentation and Classification},
author = {Armstrong Aboah and Yaw Adu-Gyamfi and Senem Velipasalar Gursoy and Jennifer Merickel and Matt Rizzo and Anuj Sharma},
journal= {arXiv preprint arXiv:2211.06463},
year = {2022}
}