跟车场景下驾驶员制动动作的习得与推断
机器学习
2018-01-16 v1 机器人学
摘要
准确预测并推断驾驶员的制动决策对于设计预警系统和避免碰撞至关重要。本文从感知-决策-动作视角,依据驾驶员的驾驶历史,聚焦于跟车场景下对其制动意图的预测。我们提出了一种基于学习的推断方法,利用来自 CAN-Bus、雷达和摄像头的车载数据作为解释变量,通过结合高斯混合模型(GMM)与隐马尔可夫模型(HMM)来推断驾驶员的制动决策。GMM 用于建模变量间的随机关系,而 HMM 则基于 GMM 推断驾驶员的制动动作。我们从密歇根大学安全驾驶模型部署数据库中收集了 49 名驾驶员的真实驾驶数据(平均每人超过三年的驾驶数据)。我们将 GMM-HMM 方法与支持向量机(SVM)方法及 SVM-贝叶斯滤波方法进行比较。实验结果采用三项性能指标评估:准确率、灵敏度、特异度。比较结果表明,GMM-HMM 取得最佳性能,准确率为 90%、灵敏度为 84%、特异度为 97%。因此,我们认为该方法在真实世界的主动安全系统中具有巨大潜力。
引用
@article{arxiv.1801.03905,
title = {Learning and Inferring a Driver's Braking Action in Car-Following Scenarios},
author = {Wenshuo Wang and Junqiang Xi and Ding Zhao},
journal= {arXiv preprint arXiv:1801.03905},
year = {2018}
}