考虑驾驶异质性与可解释性的纵向轨迹概率预测
机器学习
2023-12-20 v1
摘要
自动驾驶车辆被期望能在与人类驾驶车辆并存的复杂混合交通场景中安全行驶。为了确保高度的安全性，准确预测周围车辆的 maneuvers 及其未来位置是一项关键任务，并引起了广泛关注。然而，现有的大多数研究都集中在基于客观历史轨迹推理位置信息，而没有充分考虑驾驶行为的异质性。因此，本研究提出了一个结合 Mixture Density Networks (MDN) 的轨迹预测框架，并考虑了驾驶异质性，以提供概率性和个性化的预测。具体而言，基于一定长度的历史轨迹数据，识别每个驾驶员特定于情境的驾驶偏好，其中提取关键驾驶行为特征向量以表征不同驾驶员之间驾驶行为的异质性。以短期历史轨迹数据和关键驾驶行为特征向量作为输入，利用结合了基于 LSTM 的编码器-解码器网络和 MDN 层的概率 LSTMMD-DBV 模型来进行个性化预测。最后，采用 SHapley Additive exPlanations (SHAP) 方法对训练好的预测模型进行解释。所提出的框架基于广泛的车辆轨迹数据集进行了测试。结果表明，与现有的基准模型相比，所提出的模型能够生成概率性未来轨迹，并显著提高了预测效果。此外，结果证实，代表驾驶行为异质性的驾驶行为特征向量的额外输入可以提供更多信息，从而有助于提高预测精度。
引用
@article{arxiv.2312.12123,
title = {Probabilistic Prediction of Longitudinal Trajectory Considering Driving Heterogeneity with Interpretability},
author = {Shuli Wang and Kun Gao and Lanfang Zhang and Yang Liu and Lei Chen},
journal= {arXiv preprint arXiv:2312.12123},
year = {2023}
}
备注
14 pages, 8 figures