[論文レビュー] A Learning-Based Approach for Lane Departure Warning Systems with a Personalized Driver Model

Wenshuo Wang, Ding Zhao+2 more|arXiv (Cornell University)|Feb 4, 2017

Autonomous Vehicle Technology and Safety参考文献 18被引用数 7

ひとこと要約

本稿では、ガウス・ミックスチャネル・モデル（GMM）と隠れマルコフ・モデル（HMM）を融合させた個人に合わせたドライバー・モデルを用いて、ドライバーの意思と車両の軌道を予測する学習ベースのレーン・オフ・デューチャー・ウォーニング（LDW）システムを提案する。個々の運転スタイルをモデル化し、ドライバーがレーンをはみ出すのを補正するかどうかを予測することで、誤報を3.07%にまで低減し、従来の時間までレーンクロス（TLC）およびTLC-DSPLS手法を著しく上回る性能を発揮する。

ABSTRACT

Misunderstanding of driver correction behaviors (DCB) is the primary reason for false warnings of lane-departure-prediction systems. We propose a learning-based approach to predicting unintended lane-departure behaviors (LDB) and the chance for drivers to bring the vehicle back to the lane. First, in this approach, a personalized driver model for lane-departure and lane-keeping behavior is established by combining the Gaussian mixture model and the hidden Markov model. Second, based on this model, we develop an online model-based prediction algorithm to predict the forthcoming vehicle trajectory and judge whether the driver will demonstrate an LDB or a DCB. We also develop a warning strategy based on the model-based prediction algorithm that allows the lane-departure warning system to be acceptable for drivers according to the predicted trajectory. In addition, the naturalistic driving data of 10 drivers is collected through the University of Michigan Safety Pilot Model Deployment program to train the personalized driver model and validate this approach. We compare the proposed method with a basic time-to-lane-crossing (TLC) method and a TLC-directional sequence of piecewise lateral slopes (TLC-DSPLS) method. The results show that the proposed approach can reduce the false-warning rate to 3.07\%.

研究の動機と目的

• ドライバー補正行動（DCB）およびレーン・オフ・デューチャー行動（LDB）を正確に予測することで、レーン・オフ・デューチャー・ウォーニング（LDW）システムにおける誤報を低減すること。
• 個々の運転行動の違いを捉えることができる個人に合わせたドライバー・モデル（PDM）の開発。
• ドライバー固有のダイナミクスと道路状況を用いて、将来の横方向車両軌道を予測するモデルベースの予測アルゴリズムの設計。
• 予測されたドライバーの意思に基づき、必要な場合にのみアラートを発するドライバーフレンドリーな警告戦略の実装。
• ミシガン大学の安全パイロット・モデル・デプロイメント・プログラムを通じて収集された10名のドライバーのナチュラリスティック・ドライブ・データを用いた手法の検証。

提案手法

• ガウス・ミックスチャネル・モデル（GMM）を用いて、車両速度、相対ヨー角、ヨー速度、道路のカーブ度、相対横方向変位の5つの主要変数の同時確率密度を表現することで、個人に合わせたドライバー・モデルを構築する。
• 隠れマルコフ・モデル（HMM）を用いてドライバー行動の時間的ダイナミクスをモデル化し、状態は明確な運転モード（例：レーンキーピング、レーンオフデューチャー、補正）を表す。
• HMMの遷移行列は、訓練データから連続するデータポイント間のモード遷移を数えることで推定され、GMMのコンポーネントからの最尤推定に基づくモード割り当てが用いられる。
• オンラインのモデルベース予測アルゴリズムは、訓練済みのPDMを用いて、1秒間の将来の横方向車両軌道を予測する。
• 予測された軌道に基づく警告戦略が実装され、システムがドライバーがレーンオフデューチャーを補正する可能性が低いと判断した場合にのみアラートを発する。
• 安全と警告頻度のバランスを取るために、時間までレーンクロス（TLC）およびパラメータγ₁とγ₂を用いたリスク関数が定義される。

実験結果

リサーチクエスチョン

• RQ1 実世界のドライブ・データを用いて、個人に合わせたドライバー・モデルが、レーンキーピング、レーンオフデューチャー、補正行動を効果的に区別できるか？
• RQ2 GMM-HMM融合モデルは、1秒間の窓において、将来的な車両の横方向軌道をどの程度正確に予測できるか？
• RQ3 提案されたTLC-PDM手法は、ベースラインのTLCおよびTLC-DSPLS手法と比較して、誤報率をどの程度低減できるか？
• RQ4 警告戦略のパラメータ（γ₁、γ₂）の違いが、安全と警告頻度のトレードオフにどのように影響するか？
• RQ5 ドライバー固有の行動パターンは、信頼性を持って捉えられ、LDWシステムの受容性および有効性を向上させるために利用可能か？

主な発見

• 提案されたTLC-PDM手法は、誤報率が3.07%にまで低減され、ベースラインのTLC手法およびTLC-DSPLS手法を著しく上回る。
• 個人に合わせたドライバー・モデルは、個々のレーンオフデューチャーおよび補正行動の違いを効果的に捉えており、ドライバーの意思を正確に予測可能である。
• モデルベースの予測アルゴリズムは、5つの入力変数のみを用いても、将来的な車両の横方向軌道を高い精度で予測することができた。
• 予測されたドライバー行動に基づく警告戦略は、自然なドライブ・データ（10名のドライバー）を用いた検証により、不要なアラートを低減しながらも安全を維持していることが確認された。
• 本システムは、LDW設計にドライバー固有のダイナミクスを組み込むことで、システムの受容性を向上させ、誤報による不快感を低減できることを示している。
• γ₁およびγ₂のパラメータチューニングにより、安全と警告頻度の間の調整可能なトレードオフが可能となり、カスタマイズ可能なシステム展開を支援する。