[論文レビュー] If and When a Driver or Passenger is Returning to Vehicle: Framework to Infer Intent and Arrival Time

Bashar I. Ahmad, Patrick Langdon+3 more|arXiv (Cornell University)|Sep 21, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 33被引用数 2

ひとこと要約

本稿では、スマートフォンの部分的なGPSトレースからドライバーや乗客が車両に戻る意思を持っているかを推定し、到着時刻を推定するベイジアン確率的フレームワークを提案する。意思を車両の位置へのマルコフブリッジとしてモデル化し、修正されたカルマンフィルタを用いることで、最小限のトレーニングと低計算複雑性で早期かつ高精度な予測が可能となり、実世界のシナリオにおいて、近接性に基づく手法や標準的な追跡手法を上回る性能を発揮する。

ABSTRACT

This paper proposes a probabilistic framework for the sequential estimation of the likelihood of a driver or passenger(s) returning to the vehicle and time of arrival, from the available partial track of the user location. The latter can be provided by a smartphone navigational service and/or other dedicated (e.g. RF based) user-to-vehicle positioning solution. The introduced novel approach treats the tackled problem as an intent prediction task within a Bayesian formulation, leading to an efficient implementation of the inference routine with notably low training requirements. It effectively captures the long term dependencies in the trajectory followed by the driver/passenger to the vehicle, as dictated by intent, via a bridging distribution. Two examples are shown to demonstrate the efficacy of this flexible low-complexity technique.

研究の動機と目的

• 部分的なGPSトレースデータを用いて、ドライバーまたは乗客が車両に戻る意思を持っているかどうかを早期かつ正確に予測すること。
• ユーザーが車両に到着するまでの時刻を、ユーザーが車両に到着する前でさえも高い信頼性で推定すること。
• 時間帯やカレンダーイベントなどの文脈的要因を統合できる、低複雑性でトレーニングが少ない手法を開発すること。
• 近接性に基づく検出（遅延または曖昧な意思決定）や標準的な追跡（誤った予測）の限界を克服すること。
• さまざまな運動モデルや観測ノイズ特性に対応可能な柔軟で信念ベースのフレームワークを提供すること。

提案手法

• 意思の予測を、戻る（H1）と戻らない（H2）を区別するベイジアン仮説検定問題として定式化する。
• 長期間にわたる車両向けの運動の依存関係をモデル化するため、マルコフブリッジ過程を導入し、意思に基づく軌道パターンを捉える。
• 不規則に間隔を開けて測定される不正確なGPS測定値に対応するため、連続時間観測モデルと確率的ノイズを用いる。
• 意思の事後確率および到着時刻の逐次推論を効率的に行うために、修正されたカルマンフィルタを採用する。
• 事後分布からのポイント予測としての到着時刻を導出するために、MAP（最大事後確率）推定を適用する。
• ベイジアンフレームワーク内の事前分布を通じて、時間帯やカレンダーイベントなどの文脈的情報を統合する。

実験結果

リサーチクエスチョン

• RQ1 確率的フレームワークは、近接性に基づく手法よりも早期かつ信頼性の高い方法でドライバー／乗客の車両への戻り意思を推定できるか？
• RQ2 マルコフブリッジモデルは、部分的なGPSトレースにおける意思に基づく運動の依存関係をどれほど効果的に捉えられるか？
• RQ3 データ駆動型の意思予測モデルと比較して、提案手法はどの程度トレーニング要件を低減できるか？
• RQ4 新しいGPSデータが得られるにつれて、到着時刻の推定はどの程度正確かつ適応的になるか？
• RQ5 実世界のスマートフォンデータにおける不規則なGPSサンプリングとノイズの多い測定値を、フレームワークは効果的に処理できるか？

主な発見

• 戻りのシナリオにおいて、歩き始めから35秒以内に、戻る意思の確率が非常に高くなる（p(H1|y1:k) > 0.9）ことが確認された。
• 戻らないケースでは、約125秒までは意思の確率が低く保たれ、その後ユーザーの新しい軌道に急速に適応した。
• より多くの軌道データが得られるにつれて、到着時刻の推定が段階的に改善され、信頼区間が時間とともに狭くなった。
• 従来の追跡手法や近接性ベースの手法とは異なり、任意の誤差や遅延した意思決定を生じさせず、優れた性能を発揮した。
• ユーザーが車両に近づいている間は、到着時刻の事後分布が正確に保たれたが、車両を通過した後は期待どおりに性能が低下した。
• 確率的ノイズを伴う連続時間観測モデルを用いることで、ノイズが多く不規則なGPSデータに対してもフレームワークのロバスト性が示された。