面向以驾驶员为中心的驾驶风格自适应的态势感知

有证据表明，自动驾驶车辆的驾驶风格对于提高乘客的接受度和信任度非常重要。驾驶态势已被发现对人类驾驶行为具有显著影响。然而，当前的驾驶风格模型仅部分包含了驾驶环境信息，限制了智能体与给定态势之间的对齐。因此，我们提出了一种态势感知的驾驶风格模型，该模型基于在车队数据上预训练的不同视觉特征编码器，以及适应特定驾驶员驾驶风格的行为预测器。我们的实验表明，所提出的方法显著优于静态驾驶风格，并形成了合理的态势聚类。此外，我们发现基于我们数据集预训练的特征编码器能带来更精确的驾驶行为建模。相比之下，在不同数据源上通过监督和无监督方式预训练的特征编码器能产生更具体的态势聚类，这可用于约束和控制特定态势下的驾驶风格自适应。此外，在驾驶风格自适应迭代发生的真实世界场景中，我们发现基于 MLP 的行为预测器在初期取得了良好的性能，但会遭受灾难性遗忘。相比之下，基于态势相关统计的行为预测器在设计上能够从连续数据流中迭代学习。总体而言，我们的实验表明，驾驶行为预测的重要信息包含在视觉特征编码器中。该数据集已在 huggingface.co/datasets/jHaselberger/SADC-Situation-Awareness-for-Driver-Centric-Driving-Style-Adaptation 上公开。