基于累积前景理论的交互式驾驶场景中驾驶行为可解释建模
人工智能
2019-07-23 v1 机器人学
系统与控制
系统与控制
摘要
理解人类驾驶行为对自动驾驶车辆十分重要。本文中，我们提出一种基于累积前景理论（CPT）的交互式驾驶场景中人类行为可解释模型。作为一种非期望效用理论，CPT能很好地解释一些系统偏差或期望效用理论无法解释的“非理性”人类行为/决策。因此，本工作的目标是用CPT构建人类驾驶员行为生成模型，从而更好地捕捉并预测人类的“非理性”行为或决策。为实现该目标，我们首先开发了聚焦于两个交互智能体驾驶场景的CPT驱动决策模型。随后提出一种分层学习算法，以学习CPT模型中的效用函数、价值函数与决策权重函数。还提供了一个环岛合流案例研究作为验证。利用真实驾驶数据，比较了三种不同模型的预测性能：基于碰撞时间（TTC）的预定义模型、基于神经网络的学习型模型，以及所提基于CPT的模型。结果表明，所提模型优于TTC模型，并以远少得多的训练数据和更好的可解释性取得了与学习型模型相近的性能。
引用
@article{arxiv.1907.08707,
title = {Interpretable Modelling of Driving Behaviors in Interactive Driving Scenarios based on Cumulative Prospect Theory},
author = {Liting Sun and Wei Zhan and Yeping Hu and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1907.08707},
year = {2019}
}
备注
accepted to the 2019 IEEE Intelligent Transportation System Conference (ITSC2019)