用于驾驶员识别的卷积循环神经网络模型中的驾驶风格表征

识别驾驶风格是一项分析驾驶员行为以捕捉差异特征的任务，这些特征可用于区分不同的驾驶员。该任务已成为多种应用的前提条件，包括基于使用的保险、驾驶员辅导、驾驶员动作预测，甚至自动驾驶车辆的设计；因为驾驶风格编码了这些应用所需的关键信息。在本文中，我们提出了一种深度神经网络架构，称为 D-CRNN，用于构建驾驶风格的高保真表征，它结合了卷积神经网络（CNN）和循环神经网络（RNN）的能力。利用 CNN，我们从轨迹（如转弯或制动事件）中捕捉驾驶员行为的语义模式。然后，我们使用 RNN 发现这些语义模式之间的时间依赖关系以编码驾驶风格。我们通过在多个大型真实世界数据集上进行大量实验并对比最先进的深度学习与非深度学习方案，展示了这些技术在驾驶员识别中的有效性。这些实验还展示了一个有用的去偏示例，通过展示我们如何通过对每位驾驶员采样不相似轨迹来预处理输入数据以防止空间记忆。最后，本文分析了不同属性对驾驶员识别的贡献；我们发现发动机转速、速度和加速度是最佳的特征组合。