知识蒸馏神经网络用于预测人类驾驶与自动驾驶车辆的跟车行为
机器学习
2024-11-11 v1 人工智能
摘要
随着向自动驾驶车辆（AVs）和人类驾驶车辆（HDVs）的混合交通场景发展，理解跟车行为对于改善交通效率和道路安全至关重要。利用真实世界轨迹数据集，本研究使用描述性和统计分析调查了三种车辆配对在混合交通中的跟车行为：HDV-AV、AV-HDV和HDV-HDV。方差分析（ANOVA）检验表明，不同车辆配对之间的跟车行为具有统计学显著性（p值<0.05）。我们还引入了一种数据驱动的知识蒸馏神经网络（KDNN）模型，用于预测跟车行为中的速度。KDNN模型展现出与其教师网络——长短期记忆（LSTM）网络——相当的预测精度，并优于独立学生网络——多层感知器（MLP）——以及传统物理模型如Gipps模型。值得注意的是，KDNN模型在最小碰撞时间（TTC）方面更好地防止碰撞，并以更低的计算能力运行，使其成为AV或驾驶模拟器高效计算的理想选择。
引用
@article{arxiv.2411.05618,
title = {Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles},
author = {Ayobami Adewale and Chris Lee and Amnir Hadachi and Nicolly Lima da Silva},
journal= {arXiv preprint arXiv:2411.05618},
year = {2024}
}
备注
27th IEEE International Conference on Intelligent Transportation Systems