基于 Koopman 算子并结合在线更新建模速度建议系统中的驾驶员行为

精准的驾驶员行为建模对于提高人类驾驶员与驾驶辅助系统之间的交互与协作至关重要。本文提出了一种新颖的方法，用于构建驾驶员对速度建议系统所提供视觉提示作出响应的模型，采用基于 Koopman 算子的方法并集成在线更新机制。该方法利用 Koopman 算子将驾驶员与速度建议系统交互的非线性动力学转化为线性框架，从而实现高效的实时预测。将基于递归最小二乘法（RLS）的在线更新机制集成到 Koopman 基于模型中，以确保模型能够持续适应驾驶员行为随时间变化的特性。该模型通过人机在环驾驶模拟器收集的数据进行验证，捕获了多样化的驾驶员轨迹。结果表明，离线学习的 Koopman 基于模型能够准确预测驾驶员行为，其准确性通过 RLS 方法的在线更新机制得到进一步提升。