[論文レビュー] Driving Style Analysis Using Primitive Driving Patterns With Bayesian Nonparametric Approaches

Wenshuo Wang, Junqiang Xi+1 more|arXiv (Cornell University)|Aug 16, 2017

Autonomous Vehicle Technology and Safety参考文献 31被引用数 13

ひとこと要約

本稿では、事前にパターン数を仮定せずに自然走行データから基本的ドライブパターンを学習するためのベイジアン非パrametric枠組みを提案する。HDP-HSMMを用い、知覚閾値を用いてパターンに意味的ラベルを付与し、正規化されたパターン分布間のKLダイバージェンスを用いてドライバー間のスタイル差を定量化する。統計的指標のみに比べて、意味的解釈性が向上していることを示している。

ABSTRACT

Analysis and recognition of driving styles are profoundly important to intelligent transportation and vehicle calibration. This paper presents a novel driving style analysis framework using the primitive driving patterns learned from naturalistic driving data. In order to achieve this, first, a Bayesian nonparametric learning method based on a hidden semi-Markov model (HSMM) is introduced to extract primitive driving patterns from time series driving data without prior knowledge of the number of these patterns. In the Bayesian nonparametric approach, we utilize a hierarchical Dirichlet process (HDP) instead of learning the unknown number of smooth dynamical modes of HSMM, thus generating the primitive driving patterns. Each primitive pattern is clustered and then labeled using behavioral semantics according to drivers' physical and psychological perception thresholds. For each driver, 75 primitive driving patterns in car-following scenarios are learned and semantically labeled. In order to show the HDP-HSMM's utility to learn primitive driving patterns, other two Bayesian nonparametric approaches, HDP-HMM and sticky HDP-HMM, are compared. The naturalistic driving data of 18 drivers were collected from the University of Michigan Safety Pilot Model Deployment (SPDM) database. The individual driving styles are discussed according to distribution characteristics of the learned primitive driving patterns and also the difference in driving styles among drivers are evaluated using the Kullback-Leibler divergence. The experiment results demonstrate that the proposed primitive pattern-based method can allow one to semantically understand driver behaviors and driving styles.

研究の動機と目的

• 固定されたパターン数を仮定せずに、車両追従行動における基本的ドライブパターンを同定するデータ駆動型手法の開発。
• ドライバーの身体的・心理的知覚閾値に関連する意味的ラベルを用いて、ドライブパターンの意味的解釈を可能にする。
• 学習された基本的パターンの周波数分布を正規化することで、個々のドライブスタイルをモデル化する。
• パターン分布間のKullback-Leibler（KL）ダイバージェンスを用いて、ドライバー間のドライブスタイル差を定量化する。
• HDP-HSMMがHDP-HMMおよびスティックHDP-HMMに比べて、ドライブデータにおけるパターン発見においてどの程度優れた性能を示すかを比較する。

提案手法

• 未知の隠れ半マルコフモデル（HSMM）状態数を非パrametricに推定できる階層的ディリクレ過程（HDP）を用い、非教師ありで基本的ドライブパターンを発見する。
• ミシガン大学SPDMデータベースの時系列自然走行データを用いて、HDP-HSMMモデルを学習する。
• 相対的走行速度および距離のダイナミクスに基づき、車両追従行動を基本的パターンに分割し、車両状態の物理的変化によってパターン境界を定義する。
• ドライバーの身体的・心理的反応に関連する知覚閾値を用いて、各基本的パターンに意味的ラベルを付与する。
• 各ドライバーごとの基本的パターンの頻度分布を正規化し、個々のドライブスタイルを表現する。
• 正規化されたパターン分布間のKullback-Leibler（KL）ダイバージェンスを計算し、ドライバー間のドライブスタイル差を定量化する。

実験結果

リサーチクエスチョン

• RQ1 HDP-HSMMのようなベイジアン非パrametricアプローチは、パターン数を事前に知らない状態で、自然走行データから基本的ドライブパターンを効果的に学習できるか？
• RQ2 HDP-HMMおよびスティックHDP-HMMを用いて得られたパターンと比較して、学習された基本的パターンは解釈性および性能においてどの程度優れているか？
• RQ3 知覚閾値に基づく基本的パターンの意味的ラベリングは、ドライブスタイルの解釈性をどの程度向上させるか？
• RQ4 基本的パターンの正規化された頻度分布は、個々のドライブスタイルの強固で柔軟な表現として適しているか？
• RQ5 パターン分布間のKLダイバージェンスは、ドライバー間のドライブスタイル差をどの程度意味的に適切に捉えているか？

主な発見

• HDP-HSMMモデルは、固定されたパターン数を仮定せずに、自然走行データから車両追従シナリオにおいて75の明確に区別できる基本的ドライブパターンを効果的に学習した。
• HDP-HMMおよびスティックHDP-HMMと比較して、HDP-HSMMは基本的ドライブパターンの時間的ダイナミクスおよび構造的特徴をより優れた性能で捉えていた。
• 基本的パターンの正規化された頻度分布は、単なる統計的指標を越えた意味的解釈を可能にする有効な個々のドライブスタイル表現であった。
• 正規化されたパターン分布間のKLダイバージェンスは、顕著なドライバー間差を示した。例えば、ドライバー#8は接近追従行動において最大の乖離を示したが、ドライバー#11は通常および長距離追従行動において最も特徴的であった。
• KLダイバージェンス指標は、ドライブスタイルの類似性または乖離を柔軟に非パrametricに定量化する手段を提供した。図15の濃い赤い四角形は、例えば接近追従行動におけるドライバー#8と#12の間で高い不一致を示している。
• 本フレームワークは、パターンをドライバーの知覚閾値にマッピングすることで、平均値および標準偏差に基づくアプローチよりも洗練された分析を可能にする、ドライブ行動の意味的理解を実現した。