行人过街行为建模：一种带感觉运动约束的强化学习方法
人机交互
2024-09-24 v1
摘要
理解行人行为对于自动驾驶汽车（AV）在城市环境中的安全部署至关重要。传统的行人行为模型通常分为两类：机制模型，难以泛化到复杂环境；机器学习模型，通常忽略了影响人类行为的感觉运动约束，因此容易在未训练场景中失败。我们假设，感觉运动约束作为人类感知和与其周围环境交互的基础，对于真实的仿真至关重要。因此，我们引入了一个受约束的强化学习（RL）模型，用于模拟行人的过街决策和运动。该模型被约束为通过带有噪声的视觉感知和迫近厌恶来模拟人类感觉机制。此外，通过行走的生物力学模型引入了人类运动约束。我们收集了人在回路实验的数据以理解行人行为。研究结果揭示了现有行人模型未解决的几个现象，涉及行人如何根据接近车辆的动力学和行为调整其步行速度。我们的模型成功捕捉了这些类人的步行速度模式，使我们能够将这些模式理解为时间压力与步行付出之间的权衡。重要的是，该模型保留了重现早期简单版本模型所捕捉到的各种现象的能力。此外，还包含了与外部人机界面和光照条件相关的现象。总体而言，我们的结果不仅展示了受约束的 RL 在建模行人行为方面的潜力，还强调了感觉运动机制在建模行人与车辆交互中的重要性。
引用
@article{arxiv.2409.14522,
title = {Modeling Pedestrian Crossing Behavior: A Reinforcement Learning Approach with Sensory Motor Constraints},
author = {Yueyang Wang and Aravinda Ramakrishnan Srinivasan and Yee Mun Lee and Gustav Markkula},
journal= {arXiv preprint arXiv:2409.14522},
year = {2024}
}