基于GRU神经网络与BO的在线参数自适应以实现精确驾驶模型
机器学习
2021-09-27 v1
摘要
在不同区域测试自动驾驶汽车需要具有相应不同驾驶风格（如激进或保守风格）的周围车辆。亟需一种数值衡量并区分人类驾驶风格以创建具有特定驾驶风格的虚拟驾驶员的方法。然而，大多数衡量人类驾驶风格的方法需要阈值或标签来分类驾驶风格，有些还需要驾驶员关于驾驶态度的额外问卷。这些限制不适合创建大型虚拟测试环境。驾驶模型（DM）模拟人类驾驶风格。校准 DM 使模拟驾驶行为更接近人类驾驶行为，并能够实现人类驾驶车辆的仿真。传统的 DM 校准方法未考虑 DM 中参数在驾驶过程中的变化。这些“固定”校准方法无法反映实际的交互驾驶场景。在本文中，我们提出一种用于衡量人类驾驶风格的 DM 校准方法，以更准确地复现真实跟车行为。该方法包括 1）用于衡量和聚类人类驾驶风格的客观熵权法，以及 2）通过结合贝叶斯优化（BO）与门控循环单元神经网络基于深度学习的 DM 参数在线自适应。我们进行了实验来评估所提方法，结果表明它可轻松用于衡量人类驾驶员风格。实验还显示，在虚拟测试环境中我们可校准出相应 DM，精度比固定校准方法最高提升 26%。
引用
@article{arxiv.2109.11720,
title = {Online Adaptation of Parameters using GRU-based Neural Network with BO for Accurate Driving Model},
author = {Zhanhong Yang and Satoshi Masuda and Michiaki Tatsubori},
journal= {arXiv preprint arXiv:2109.11720},
year = {2021}
}
备注
7 pages, submitted for SIGSPATIAL'21