[論文レビュー] Understanding V2V Driving Scenarios through Traffic Primitives

Wenshuo Wang, Weiyang Zhang+1 more|arXiv (Cornell University)|Jul 27, 2018

Time Series Analysis and Forecasting参考文献 30被引用数 15

ひとこと要約

本稿では、複雑な車両間走行（V2V）状況を、走行プリミティブと呼ばれる基本的な行動的構成要素に分解する非パrametricベイジアン学習フレームワークを提案する。976件の自然的走行状況を対象にスティッキー階層的ディリクレ過程隠れマルコフモデル（HDP-HMM）を適用し、4,000を超えるプリミティブを抽出した。その後、動的時間 warp（DTW）とk-meansを用いてクラスタリングを行い、交通におけるコアな相互作用パターンを捉える20種類の明確なプリミティブタイプを同定した。

ABSTRACT

Semantically understanding complex drivers' encountering behavior, wherein two or multiple vehicles are spatially close to each other, does potentially benefit autonomous car's decision-making design. This paper presents a framework of analyzing various encountering behaviors through decomposing driving encounter data into small building blocks, called driving primitives, using nonparametric Bayesian learning (NPBL) approaches, which offers a flexible way to gain an insight into the complex driving encounters without any prerequisite knowledge. The effectiveness of our proposed primitive-based framework is validated based on 976 naturalistic driving encounters, from which more than 4000 driving primitives are learned using NPBL - a sticky HDP-HMM, combined a hidden Markov model (HMM) with a hierarchical Dirichlet process (HDP). After that, a dynamic time warping method integrated with k-means clustering is then developed to cluster all these extracted driving primitives into groups. Experimental results find that there exist 20 kinds of driving primitives capable of representing the basic components of driving encounters in our database. This primitive-based analysis methodology potentially reveals underlying information of vehicle-vehicle encounters for self-driving applications.

研究の動機と目的

• 行動タイプに関する事前仮定を一切行わず、複雑なV2V走行状況を分析するための教師なしフレームワークの構築。
• 自然的走行軌跡に埋め込まれた基本的な行動的構成要素（走行プリミティブ）の同定。
• 自律走行車両の意思決定および安全評価の向上を目的とした、車両相互作用の体系的モデリングの実現。
• 事前に定義された離散的状態や構造的インフラ環境に依存する従来手法の限界を克服すること。

提案手法

• 固定された行動数を仮定せずに、原始的な車両軌跡データから走行プリミティブを抽出するため、スティッキーHDP-HMMを用いた非パrametricベイジアン学習。
• 異なる走行状況間での車両状態の時系列的パターンを比較するため、動的時間 warp（DTW）を用いた特徴表現。
• DTWに基づく距離行列上でk-meansを用いて抽出されたプリミティブをクラスタリングし、類似した行動をグループ化。
• クラスタ数の選定とクラスタリング品質の評価を支援するため、クラスタ内およびクラスタ間の距離（λw および λb）を用いる。
• 走行状況における車両ペアの空間的・時間的ダイナミクスを捉える5,000次元の特徴ベクトルの適用。
• SPMDデータベースから得た976件の実世界の自然的走行状況データセットを用いた検証。

実験結果

リサーチクエスチョン

• RQ1 複雑なV2V走行状況の背後にある基本的行動的構成要素は何か？
• RQ2 事前の仮定なしに、走行状況を有限個の再利用可能な行動的プリミティブに効果的に分解できるか？
• RQ3 HDP-HMMやDTWベースのクラスタリングといった教師なし学習手法を用いて、走行プリミティブを発見・グループ化する方法は何か？
• RQ4 多様なV2V相互作用パターンを代表するのに最適な走行プリミティブの数は何か？
• RQ5 抽出されたプリミティブは、異なる交通状況において解釈可能性と識別性の観点でどのように比較できるか？

主な発見

• 本フレームワークは、スティッキーHDP-HMMを用いて、976件の自然的走行状況から4,000を超える走行プリミティブを効果的に抽出した。
• DTWとk-meansによるクラスタリングを通じて、プリミティブは20の明確なタイプにグループ化され、V2V相互作用のコアな行動的構成要素を表した。
• 同定された20種類のプリミティブには、直進、左・右折、協調的合流や折り返し動作などの重要な行動が含まれる。
• クラスタ#4は、全期間にわたり加速を続ける左折行動を示しており、クラスタ#15と#18は右折行動を示すが、速度プロファイルに差異がある—減速後に再加速するか、さらなる減速を伴う。
• 本手法は、ノイズの多いGPSデータであっても、空間的および時間的ダイナミクスを的確に捉える強靭性を示し、交差点や合流シーンにおける解釈可能な行動パターンを明らかにした。
• 本研究は、複雑な走行状況が有限で解釈可能なプリミティブの集合に体系的に分解可能であることを確認した。これにより、自律走行システムにおける人間ドライバー行動のモデリングが向上する。