[論文レビュー] Identifying Modes of Intent from Driver Behaviors in Dynamic Environments

Katherine Driggs-Campbell, Růžena Bajcsy|arXiv (Cornell University)|May 21, 2015

Autonomous Vehicle Technology and Safety参考文献 11被引用数 4

ひとこと要約

本稿では、ドライブシミュレータから得たリアルタイムで人為的にラベル付けされた変則的走行データを用いて、動的走行環境におけるドライバーの意思を特定するハイブリッドシステムモデルを提案する。制御入力ではなく環境センサの特徴に基づいて意思を分類することで、モデルは意思のモードを最大92.1％の正確さで特定し、SVMは最も安定的で滑らかな遷移を示した。

ABSTRACT

In light of growing attention of intelligent vehicle systems, we propose developing a driver model that uses a hybrid system formulation to capture the intent of the driver. This model hopes to capture human driving behavior in a way that can be utilized by semi- and fully autonomous systems in heterogeneous environments. We consider a discrete set of high level goals or intent modes, that is designed to encompass the decision making process of the human. A driver model is derived using a dataset of lane changes collected in a realistic driving simulator, in which the driver actively labels data to give us insight into her intent. By building the labeled dataset, we are able to utilize classification tools to build the driver model using features of based on her perception of the environment, and achieve high accuracy in identifying driver intent. Multiple algorithms are presented and compared on the dataset, and a comparison of the varying behaviors between drivers is drawn. Using this modeling methodology, we present a model that can be used to assess driver behaviors and to develop human-inspired safety metrics that can be utilized in intelligent vehicular systems.

研究の動機と目的

• 動的かつ多様な交通環境下で高水準の意思を捉えることのできる、ポータブルで人間中心のドライバーモデルの開発。
• 時間的要因やヒューリスティックではなく、環境のダイナミクスによって駆動されるモード遷移を特徴とするハイブリッドシステムの定式化によるドライバー意思決定のモデル化。
• 環境認識特徴に基づいてトレーニングするモデルを、リアルタイムで人為的にラベル付けされた意思データを用いて、堅牢な分類フレームワークを構築すること。
• ドライバー状態や制御入力に依存しないことにより、半自動および完全自動化システムへの応用を可能にすること。
• 混在交通環境下の自律走行システムにおける人間を模倣した安全指標および高水準意思決定の基盤を確立すること。

提案手法

• 高精細ドライブシミュレータで、ドライバーが走行中に意思を明示的にラベル付けした変則的走行のリアルタイムで人為的にラベル付けされたデータセットを収集。
• ドライバーの意思を離散的モード（例：レーン維持、レーン変更）を有するハイブリッドシステムとして定式化し、モード遷移を動的環境状態によってトリガーする。
• 周囲の車両（相対位置、速度、距離など）からの認識ベースの特徴を分類モデルの入力として抽出。
• ラベル付け済みデータセット上で複数の教師あり分類器（SVM、ランダムフォレスト（RF）、ロジスティック回帰（LR））をトレーニングおよび比較し、意思のモードを検出。
• 全体の正確さとシナリオ別正確さ（周囲の車両数に基づく）を評価し、クラスの不均衡バイアスを低減するために正規化を適用。
• 誤分類マトリクスと正規化された確率出力を用いて、モード間の分類信頼性および遷移の滑らかさを分析。

実験結果

リサーチクエスチョン

• RQ1 制御入力やドライバー状態に依存せず、認識ベースの特徴を用いることで、動的環境下でのドライバーの意思を正確に特定できるか？
• RQ2 SVM、RF、LRといった異なる分類アルゴリズムは、環境ダイナミクスに基づくモード遷移を、変則的走行中にどの程度正しく検出できるか？
• RQ3 ドライバーごとの正確さに顕著な差が生じる場合、その要因として何が考えられるか？また、意思ラベル付けにおけるドライバー間のばらつきはどの程度の影響を及ぼすか？
• RQ4 時間窓に基づくかヒューリスティックに基づく従来の方法よりも、環境に駆動されるモード遷移を特徴とするハイブリッドシステムモデルは、優れた性能を示せるか？
• RQ5 本モデルは、混在交通環境下の自律走行車両の高水準コントローラとして、十分に頑健かつ汎用的と言えるか？

主な発見

• SVM分類器は全体で89.5％の最高正確さを達成し、最も滑らかなモード遷移を示した。変則的走行の実行前に、慎重ではあるが信頼性の高い予測を示した。
• ランダムフォレスト（RF）は全体で88.9％の正確さを達成し、モードの識別能は優れていたが、細かすぎる境界検出のため、遷移がやや滑らかでなかった。
• ロジスティック回帰（LR）は全体の正確さが87.2％にとどまり、確率的モード遷移を効果的に捉えており、走行境界付近での不確実性を明らかにした。
• ドライバーごとの正確さに顕著な差が生じ、最高スコアのシナリオ（Scen. 3、3台の近接車両）ではSVMで92.1％の正確さを記録した。これは環境の複雑さが性能に影響を及えることを示唆している。
• 全ドライバーのデータを統合してグローバルモデルを構築した場合、極めて低い性能を示した。これは、信頼性の高い意思特定には個別ドライバーのモデリングが不可欠であることを示している。
• ウィンドウ処理技術を一切使用せずに、優れた結果を達成した。これは、最小限の特徴前処理で、多様な走行状況に柔軟かつ汎用的に対応できることを示している。