[論文レビュー] Driver Digital Twin for Online Prediction of Personalized Lane Change Behavior

Xishun Liao, Xuanpeng Zhao+6 more|arXiv (Cornell University)|Nov 2, 2022

Vehicle emissions and performance被引用数 4

ひとこと要約

本論文では、車両エッジクラウドアーキテクチャを用いて、接続型自動運転車（CAVs）が実時間で個人に合わせた切替行動を予測できるドライバー・デジタルツイン（DDT）システムを提案する。クラウド上で歴史的データを用いて個々のドライバーをモデル化し、エッジでリアルタイムデータを処理することで、切替実行の6秒前までに94.3％の精度で切替意思を検出でき、4秒間の時間窓で平均軌道誤差が1.03メートルにとどまり、一般モデルより27.8％の精度向上を達成した。

ABSTRACT

Connected and automated vehicles (CAVs) are supposed to share the road with human-driven vehicles (HDVs) in a foreseeable future. Therefore, considering the mixed traffic environment is more pragmatic, as the well-planned operation of CAVs may be interrupted by HDVs. In the circumstance that human behaviors have significant impacts, CAVs need to understand HDV behaviors to make safe actions. In this study, we develop a Driver Digital Twin (DDT) for the online prediction of personalized lane change behavior, allowing CAVs to predict surrounding vehicles' behaviors with the help of the digital twin technology. DDT is deployed on a vehicle-edge-cloud architecture, where the cloud server models the driver behavior for each HDV based on the historical naturalistic driving data, while the edge server processes the real-time data from each driver with his/her digital twin on the cloud to predict the lane change maneuver. The proposed system is first evaluated on a human-in-the-loop co-simulation platform, and then in a field implementation with three passenger vehicles connected through the 4G/LTE cellular network. The lane change intention can be recognized in 6 seconds on average before the vehicle crosses the lane separation line, and the Mean Euclidean Distance between the predicted trajectory and GPS ground truth is 1.03 meters within a 4-second prediction window. Compared to the general model, using a personalized model can improve prediction accuracy by 27.8%. The demonstration video of the proposed system can be watched at https://youtu.be/5cbsabgIOdM.

研究の動機と目的

• 混在交通環境における人間が運転する車両（HDVs）と接続型自動運転車（CAVs）の安全かつ効率的な運用を実現する課題に対処すること。
• CAVsの意思決定を向上させるために、人間ドライバーの切替行動を個人に合わせたリアルタイム予測システムを開発すること。
• 車両エッジクラウドインfraストラクチャに展開されたデジタルツインフレームワークを用いて、オンラインでスケーラブルかつ適応可能なドライバー行動モデルを構築すること。
• 実時間ネットワーク条件下でのシミュレーション環境および実世界のフィールド環境において、システムの性能を検証すること。

提案手法

• 各HDVに対して、歴史的なナチュラリスト的ドライブデータを用いてクラウド上にデジタルツインを構築し、個々のドライバー行動パターンをモデル化する。
• 各ドライバーからのリアルタイム車両データを、対応するデジタルツインモデルを用いてエッジサーバーで処理し、切替行動を予測する。
• 階層型アーキテクチャを採用：クラウドは長期的行動モデル化に、エッジはリアルタイム推論に、車両はデータ取得に使用。
• 個々のドライバーの軌道データを用いてトレーニングされたパーソナライズド予測モデルにより、一般モデルよりも精度が向上する。
• 4秒の予測ウィンドウを採用し、予測軌道とGPSで検証された軌道との間の平均ユークリッド距離（MED）を性能評価指標として使用。
• フィールド試験で実時間通信を確保するため、4G/LTEネットワークを介してアーキテクチャを展開。

実験結果

リサーチクエスチョン

• RQ1 デジタルツインフレームワークは、混在交通環境下で実時間で個々のドライバーの切替意思を効果的に予測できるか？
• RQ2 デジタルツインによるパーソナライズドモデリングは、一般モデルに比べて切替行動予測においてどのように優れているか？
• RQ3 提案されたエッジクラウドアーキテクチャを用いた場合、切替意思予測の時間的精度はどの程度か？
• RQ4 実際の人間ドライバーとネットワーク遅延を伴う実世界のフィールド条件下で、システムの性能はいかがなものか？
• RQ5 本システムの軌道予測精度は、真値GPSデータと比較してどの程度か？

主な発見

• 本システムは、車両が車線仕切線を越える6秒前までに、平均して94.3％の精度で切替意思を検出できた。
• 4秒間の予測ウィンドウにおいて、予測軌道と真値軌道との間の平均ユークリッド距離（MED）は1.03メートルであった。
• パーソナライズドモデルを用いることで、一般（非パーソナライズド）モデルに比べて予測精度が27.8％向上した。
• 切替開始の6秒前までに平均6秒の予測遅延で、リアルタイム性能を達成した。
• 4G/LTEネットワークを介した3台の乗用車を用いたフィールドテストにより、実世界条件下でのシステムの頑健性とスケーラビリティが確認された。
• 人間を含む共同シミュレーションプラットフォームにより、多様な走行シナリオ下でのシステムの行動予測の妥当性が成功裏に検証された。