面向黑箱模型的车队跟随动力学建模：方法论、分析与建议
机器学习
2024-02-14 v1 机器人学
系统与控制
系统与控制
摘要
在学习经典车队跟随模型（如GIPPS、IDM等）的参数时，目标变量的选择至关重要。虽然已有大量文献探讨哪种目标变量最适用于经典车队跟随模型，但目前尚无研究对黑箱模型（如LSTM等）的最优目标变量选择进行经验性评估。近期，LSTM和高斯过程（GP）等黑箱模型正日益被用于建模车队跟随行为，但往往缺乏对目标变量的理性选择。本文测试了加速度、速度和车头距等不同目标变量对三种黑箱模型（GP、LSTM和核弹性回归）的影响。由于这些模型的目标函数不同，工作于不同的向量空间（如GP工作于函数空间，LSTM工作于参数空间），因此黑箱模型的最优目标变量建议可能与经典车队跟随模型不同。值得注意的是，评估中使用的模型和数据集种类多样：数据集包含自动驾驶和人工驾驶车辆轨迹；黑箱模型涵盖参数化和非参数化模型类别。这种多样性在方差分析中至关重要，我们尝试在数据集、模型和目标变量之间寻找相互作用。结果表明，模型与目标变量之间存在相互作用，最佳目标变量建议并不依赖于所选数据集。
引用
@article{arxiv.2402.07139,
title = {Towards Robust Car Following Dynamics Modeling via Blackbox Models: Methodology, Analysis, and Recommendations},
author = {Muhammad Bilal Shahid and Cody Fleming},
journal= {arXiv preprint arXiv:2402.07139},
year = {2024}
}