FollowNet：面向跟车行为建模的综合基准
计算机视觉与模式识别
2023-11-28 v1 人工智能
摘要
跟车是指跟随车辆 (FV) 调整其加速度以与领先车辆 (LV) 保持安全距离的控制过程。近来，数据驱动模型蓬勃发展，通过真实世界驾驶数据集实现了更精确的跟车建模。尽管有若干公开数据集可用，其格式并不总是一致，难以确定最先进模型以及新模型相较已有模型的表现。相比之下，图像识别与目标检测等领域拥有 ImageNet、Microsoft COCO 与 KITTI 等基准数据集。为弥补此差距并推动微观交通流建模发展，我们建立了面向跟车行为建模的公开基准数据集。该基准由依据相同准则从五个公开驾驶数据集中提取的超过 80K 个跟车事件组成。这些事件涵盖不同道路类型、多种天气条件以及含自动驾驶车辆的混合交通流等多样情形。此外，为概览跟车建模当前进展，我们利用该基准实现并测试了代表性基线模型。结果表明，基于深度确定性策略梯度 (DDPG) 的模型在大多数数据集中具竞争力：相较于传统智能驾驶员模型 (IDM) 与 Gazis-Herman-Rothery (GHR) 模型间距 MSE 更低，且相较于全连接神经网络 (NN) 与长短期记忆 (LSTM) 模型碰撞率更小。所建基准将为研究者提供一致的数据格式与指标以交叉比较不同跟车模型，促进更精确模型的发展。我们在 https://github.com/HKUST-DRIVE-AI-LAB/FollowNet 开源了数据集与实现代码。
引用
@article{arxiv.2306.05381,
title = {FollowNet: A Comprehensive Benchmark for Car-Following Behavior Modeling},
author = {Xianda Chen and Meixin Zhu and Kehua Chen and Pengqin Wang and Hongliang Lu and Hui Zhong and Xu Han and Yinhai Wang},
journal= {arXiv preprint arXiv:2306.05381},
year = {2023}
}