基于动作阶段聚类的驾驶模式解释
人工智能
2024-07-26 v1 机器学习
机器人学
应用统计
机器学习
摘要
当前识别驾驶异质性的方法面临着理解底层驾驶行为机制从而捕捉基本模式的挑战。'动作阶段'的概念在我们的前期工作中提出，旨在从物理意义上捕捉驾驶特征的多样性。本研究提出了一种新框架，通过对动作阶段进行无监督分类来进一步解释驾驶模式。在该框架中，首先应用重抽样与降采样方法(RDM)以标准化动作阶段的长度。随后，迭代应用包括'特征选择'、'聚类分析'、'差异/相似性评估'和'动作阶段重新提取'的聚类校准程序，直至簇间差异和簇内相似性达到预定准则。应用该框架于真实数据集后，发现I80数据集中存在六种驾驶模式，分别标记为'追赶'、'保持距离'和'维持距离'，其中既有'稳定'状态也有'不稳定'状态。值得注意的是，不稳定模式的数量超过稳定模式。'维持距离'是稳定模式中最常见的模式。这些观察结果与驾驶的动态本质相一致。在US101数据集中缺失了两种模式'稳定保持距离'和'不稳定追赶'，这符合我们的预期，因为该数据集之前被显示出异质性较低。这表明驾驶模式在描述驾驶异质性方面具有潜力。该提出框架在解决监督学习中的标签稀缺问题方面具有优势，并能增强驾驶行为建模和轨迹预测等任务。
引用
@article{arxiv.2407.17518,
title = {Driving pattern interpretation based on action phases clustering},
author = {Xue Yao and Simeon C. Calvert and Serge P. Hoogendoorn},
journal= {arXiv preprint arXiv:2407.17518},
year = {2024}
}