[논문 리뷰] Driving Style Analysis Using Primitive Driving Patterns With Bayesian Nonparametric Approaches

Wenshuo Wang, Junqiang Xi외 1명|arXiv (Cornell University)|2017. 08. 16.

Autonomous Vehicle Technology and Safety참고 문헌 31인용 수 13

한 줄 요약

이 논문은 사전에 패턴 수에 대한 지식이 없이 자연주의 주행 데이터에서 기본 주행 패턴을 학습하기 위해 HDP-HSMM를 사용하는 베이지안 비모수 프레임워크를 제안한다. 패턴은 지각 임계값을 사용해 의미론적으로 레이블링되며, 정규화된 패턴 분포 간의 KL 발산을 통해 운전자 간 주행 스타일의 차이를 정량화한다. 이는 통계적 지표만을 사용하는 것보다 더 높은 의미론적 해석 가능성을 보여준다.

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.

연구 동기 및 목표

• 고정된 패턴 수를 가정하지 않고 차량 추종 행동에서 기본 주행 패턴을 식별하기 위한 데이터 기반 방법을 개발하는 것.
• 운전자의 신체적·정서적 지각 임계값과의 연결을 통해 주행 패턴을 의미론적으로 해석할 수 있도록 하는 것.
• 학습된 기본 패턴의 정규화된 빈도 분포를 사용하여 개인의 주행 스타일을 모델링하는 것.
• 패턴 분포 간 Kullback-Leibler 발산을 사용하여 운전자 간 주행 스타일의 차이를 정량화하는 것.
• HDP-HSMM가 HDP-HMM 및 스티키 HDP-HMM에 비해 주행 데이터에서 패턴 탐지 성능에서 어떻게 비교되는지 평가하는 것.

제안 방법

• 알려지지 않은 숨겨진 반 Markov 모델(HSMM) 상태 수를 비모수적으로 추론하기 위해 계층적 딜레트 프로세스(HDP)를 사용하여, 비지도 방식으로 기본 주행 패턴을 탐지한다.
• 미시간 대학교 SPDM 데이터베이스에서 확보한 시간 시리즈 자연주의 주행 데이터를 사용하여 HDP-HSMM 모델을 훈련시킨다.
• 상대 속도 및 거리 동역학을 기반으로 차량 추종 행동을 기본 패턴으로 분할하며, 차량 상태의 물리적 변화에 의해 패턴 경계가 정의된다.
• 운전자의 신체적·정서적 반응과 관련된 지각 임계값을 사용하여 각 기본 패턴에 의미론적 레이블을 할당한다.
• 각 운전사의 기본 패턴 빈도 분포를 정규화하여 개인의 주행 스타일을 표현한다.
• 정규화된 패턴 분포 간 Kullback-Leibler(KL) 발산을 계산하여 운전자 간 주행 스타일의 차이를 정량화한다.

실험 결과

연구 질문

• RQ1 HDP-HSMM와 같은 베이지안 비모수적 접근이 패턴 수에 대한 사전 지식 없이 자연주의 주행 데이터에서 기본 주행 패턴을 효과적으로 학습할 수 있는가?
• RQ2 HDP-HMM 및 스티키 HDP-HMM를 사용해 유도된 패턴과 비교할 때, 학습된 기본 패턴은 의미론적 해석 가능성과 성능 측면에서 어떻게 다른가?
• RQ3 지각 임계값 기반의 기본 패턴 의미론적 레이블링이 주행 스타일의 의미론적 해석 가능성에 얼마나 기여하는가?
• RQ4 기본 패턴의 정규화된 분포가 개인의 주행 스타일을 유연하고 강건하게 표현할 수 있는가?
• RQ5 패턴 분포 간 KL 발산이 운전자 간 주행 스타일의 의미 있는 차이를 얼마나 잘 반영하는가?

주요 결과

• HDP-HSMM 모델은 고정된 패턴 수를 가정하지 않고 자연주의 주행 데이터에서 차량 추종 시나리오에서 75개의 고유한 기본 주행 패턴을 성공적으로 학습하였다.
• HDP-HMM 및 스티키 HDP-HMM에 비해 HDP-HSMM는 기본 주행 패턴의 시간적 동역학성과 구조적 특성을 더 잘 포착하는 데 뛰어난 성능을 보였다.
• 기본 패턴의 정규화된 빈도 분포는 개인의 주행 스타일을 효과적으로 표현하였으며, 평균 및 표준편차 기반 접근 방식을 넘어서 의미론적 해석 가능성을 제공하였다.
• 정규화된 패턴 분포 간 KL 발산은 운전자 간의 뚜렷한 차이를 드러내었다: 예를 들어, 운전자 #8은 밀착 추종 행동에서 가장 큰 발산을 보였고, 운전자 #11는 정상 및 장거리 추종에서 가장 뚜렷하게 다를 바가 있었다.
• KL 발산 지표는 주행 스타일 유사성 또는 차이를 정량화하는 데 있어 민첩하고 비모수적인 방법을 제공하였으며, 그림 15의 어두운 빨간 사각형은 높은 이질성(예: 밀착 추종에서 운전자 #8 대 #12)을 나타내었다.
• 패턴을 운전자의 지각 임계값과 연결함으로써 이 프레임워크는 평균과 표준편차 기반 접근보다 더 세밀한 분석을 가능하게 하여 주행 행동의 의미론적 이해를 가능하게 하였다.