[論文レビュー] Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach

Yun Yuan, Qinzheng Wang+1 more|arXiv (Cornell University)|Jul 17, 2020

Autonomous Vehicle Technology and Safety参考文献 87被引用数 10

ひとこと要約

本稿では、車両追従モデルからの物理法則とデータ駆動型ガウス過程を統合することで、ステアリングや車線変更を含む確率的微視的交通行動をモデル化する、物理的正則化ガウス過程（PRGP）フレームワークを提案する。ベイズ推論フレームワーク内で物理的制約をソフト正則化として埋め込むことで、特にデータが限られる状況下でも、純粋なデータ駆動型モデルに比べて予測精度と解釈可能性が向上し、NGSIM軌道データ上で既存手法を上回る性能を発揮する。

ABSTRACT

Modeling stochastic traffic behaviors at the microscopic level, such as car-following and lane-changing, is a crucial task to understand the interactions between individual vehicles in traffic streams. Leveraging a recently developed theory named physics regularized Gaussian process (PRGP), this study presents a stochastic microscopic traffic model that can capture the randomness and measure errors in the real world. Physical knowledge from classical car-following models is converted as physics regularizers, in the form of shadow Gaussian process (GP), of a multivariate PRGP for improving the modeling accuracy. More specifically, a Bayesian inference algorithm is developed to estimate the mean and kernel of GPs, and an enhanced latent force model is formulated to encode physical knowledge into stochastic processes. Also, based on the posterior regularization inference framework, an efficient stochastic optimization algorithm is developed to maximize the evidence lower-bound of the system likelihood. To evaluate the performance of the proposed models, this study conducts empirical studies on real-world vehicle trajectories from the NGSIM dataset. Since one unique feature of the proposed framework is the capability of capturing both car-following and lane-changing behaviors with one single model, numerical tests are carried out with two separated datasets, one contains lane-changing maneuvers and the other doesn't. The results show the proposed method outperforms the previous influential methods in estimation precision.

研究の動機と目的

• 純粋なデータ駆動型モデルの限界に対処すること。これらはしばしば解釈不能な「ブラックボックス」として機能し、データが不足する状況では性能が劣る。
• 従来の物理ベースの車両追従モデルの剛性に対処すること。これらは強い仮定に依存しており、多様なドライバー行動を捉える柔軟性に欠ける。
• 1つの確率的モデルを用いて、車両追従と車線変更の両方の行動を同時にモデル化できる統合フレームワークの開発。
• ガウス過程フレームワークに物理的知識を正則化として埋め込むことで、データが少ない状況下でのモデルのロバスト性と精度を向上。
• トレーニング中に物理モデルのパラメータを自動的にキャリブレーションし、物理的要因とデータ駆動型コンポーネントの間で動的重み付けを行うこと。

提案手法

• 本手法は、標準的なGPによるデータ駆動型学習と、車両追従モデルからの物理的知識を符号化するシャロウGPを組み合わせた多変量物理的正則化ガウス過程（PRGP）を採用する。
• 物理的制約は、後方正則化推論フレームワークを介してソフト正則化として埋め込まれ、学習されたGPが運動の基本微分方程式を尊重するように保証される。
• Evidence lower bound（ELBO）をジェンセンの不等式から導出したベイズ推論アルゴリズムが、GPの平均およびカーネル関数を推定し、同時にモデルを最適化する。
• ELBOは、自動微分に基づく効率的な確率的最適化アルゴリズムにより最適化され、原理的正則化を備えたエンドツーエンドトレーニングが可能になる。
• 潜在力モデルは物理的ダイナミクスを表現するために強化され、複雑な後方分布近似を回避するため、同時確率が周辺化される。
• 正則化強度パラメータγを用いて、データと物理的知識の寄与度をバランスさせ、適応的学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統一モデルは、微視的交通フローにおける車両追従と車線変更の両行動を効果的に捉えることができるか？
• RQ2 古典的車両追従モデルからの物理的知識を、データ駆動型GPフレームワークに体系的に統合する方法は何か？ その統合により、精度とロバスト性がどのように向上するか？
• RQ3 データが少ない状況下で、物理的制約による後方正則化が、純粋なデータ駆動型モデルに比べて、どの程度モデル性能を向上させるか？
• RQ4 提案手法は、解釈可能性を維持したまま、物理モデルパラメータを自動的にキャリブレーションできるか？
• RQ5 最先端のデータ駆動型および物理ベースの車両追従モデルと比較して、PRGPフレームワークの予測精度はどの程度か？

主な発見

• 提案されたPRGPモデルは、実世界のNGSIM軌道データにおいて、以前の代表的な手法よりも高い推定精度を達成しており、特に確率的で複雑なドライバー行動を捉える点で優れている。
• モデルは1つの統合フレームワーク内で、車両追従と車線変更の両行動を効果的に捉えており、別々のモデルを必要としない。
• 後方正則化による物理的知識の統合は、特に訓練データが限られる状況下で、モデル性能を顕著に向上させる。
• ベイズ推論フレームワークにより、物理的モデルパラメータの自動キャリブレーションと、物理的要因とデータ駆動型コンポーネント間の動的重み付けが可能になった。
• 後方分布にソフト制約を課すELBOの使用により、学習されたGPが過剰適合を避けて、物理的ダイナミクスを尊重するよう保証される。
• 実験的評価により、PRGPモデルが、予測精度とロバスト性の両面で、ベースラインのデータ駆動型および物理ベースのモデルを上回ることが確認された。