基于改进扩展卡尔曼滤波的神经网络模型在线自适应以实现可定制可迁移的驾驶行为预测

对人类驾驶员的高保真行为预测对于自动驾驶车辆的高效与安全部署至关重要，但由于人类行为的随机性、异质性和时变特性，这一任务极具挑战。一方面，训练好的预测模型只能以平均意义捕捉运动模式，个体间的细微差异难以体现。另一方面，在训练集上训练得到的预测模型可能无法泛化到处于不同场景或数据分布的测试集，导致迁移性与泛化能力低下。本文中，我们将一种$\tau$步改进扩展卡尔曼滤波参数自适应算法（MEKF$_\lambda$）应用于驾驶行为预测任务，该算法此前在文献中尚未被研究。借助观测轨迹的反馈，该算法被应用于基于神经网络的模型，以提升针对不同人类受试者与场景的驾驶行为预测性能。我们提出了一套新的指标，用于系统评估在线自适应在降低不同个体与场景预测误差方面的表现。此外，还针对模型中待自适应的最佳层以及观测步数提供了实证研究。