[论文解读] A Learning-based Discretionary Lane-Change Decision-Making Model with Driving Style Awareness

Yifan Zhang, Qian Xu+4 more|arXiv (Cornell University)|Oct 19, 2020

Autonomous Vehicle Technology and Safety参考文献 18被引用 9

一句话总结

本文提出了一种基于学习的自主变道决策模型，通过整合本车及周围车辆的驾驶风格，实现类人的变道决策。该模型基于真实轨迹数据进行深度学习，预测人类驾驶员决策的准确率达到98.66%，并通过减少对后方车辆的负面影响，提升了交通安全性与效率。

ABSTRACT

Discretionary lane change (DLC) is a basic but complex maneuver in driving, which aims at reaching a faster speed or better driving conditions, e.g., further line of sight or better ride quality. Although many DLC decision-making models have been studied in traffic engineering and autonomous driving, the impact of human factors, which is an integral part of current and future traffic flow, is largely ignored in the existing literature. In autonomous driving, the ignorance of human factors of surrounding vehicles will lead to poor interaction between the ego vehicle and the surrounding vehicles, thus, a high risk of accidents. The human factors are also a crucial part to simulate a human-like traffic flow in the traffic engineering area. In this paper, we integrate the human factors that are represented by driving styles to design a new DLC decision-making model. Specifically, our proposed model takes not only the contextual traffic information but also the driving styles of surrounding vehicles into consideration and makes lane-change/keep decisions. Moreover, the model can imitate human drivers' decision-making maneuvers to the greatest extent by learning the driving style of the ego vehicle. Our evaluation results show that the proposed model almost follows the human decision-making maneuvers, which can achieve 98.66% prediction accuracy with respect to human drivers' decisions against the ground truth. Besides, the lane-change impact analysis results demonstrate that our model even performs better than human drivers in terms of improving the safety and speed of traffic.

研究动机与目标

• 为解决现有自主变道（DLC）决策模型中缺乏对人类因素的整合，特别是周围车辆驾驶风格的缺失问题。
• 提升自动驾驶车辆与人类驾驶车辆在混合交通场景下的交互安全性与效率。
• 开发一种基于真实驾驶行为学习并能适应个体驾驶风格的类人DLC决策模型。
• 区分自主变道与强制变道，避免对预设目标车道的假设。
• 利用碰撞前时间（TTC）和速度变化率等指标，评估变道对周围车辆的安全与效率影响。

提出的方法

• 该模型使用深度神经网络从真实世界轨迹数据中学习变道/保持车道的决策，结合相对位置、速度和车头间距等上下文交通特征。
• 本车及周围车辆的驾驶风格以潜在嵌入向量形式编码，并整合到决策过程中，以建模驾驶员个性与行为倾向。
• 模型在highD数据集上进行端到端训练，该数据集捕捉了真实交通条件下自然的驾驶行为。
• 采用多任务学习框架，联合预测变道决策并估计对后方车辆的安全影响，使用TTC与速度变化率作为指标。
• 通过分析上下文与意图，模型可区分自主变道与强制变道，避免依赖预设的目标车道。
• 决策过程建模为基于历史交通状态与驾驶风格特征的序列动作，实现自适应与上下文感知的行为。

实验结果

研究问题

• RQ1 如何有效建模并整合周围车辆的驾驶风格，以提升DLC决策系统的交互安全性？
• RQ2 在整合本车驾驶风格的前提下，基于学习的模型在多大程度上能复现类人的变道决策？
• RQ3 与人类驾驶员相比，所提出的模型是否能减少过度减速与碰撞风险等负面交通影响？
• RQ4 通过最小化对目标车道内后方车辆的不利影响，该模型能否提升整体交通效率与安全性？
• RQ5 在决策准确率与安全影响方面，该模型与人类驾驶员相比表现如何？

主要发现

• 所提出的DSA-DLC模型在预测人类驾驶员决策方面达到98.66%的准确率，表明其与人类行为高度一致。
• 在安全影响方面，41.41%的误报变道预测对后方车辆造成了负面影响，而真实负样本情况下的比例为31.37%，表明模型已学会降低风险。
• 该模型减少了对交通的负面影响：当模型预测保持车道但实际发生变道时，目标车道中21.93%的后方车辆速度变化率低于-3%；而当预测与实际均发生变道时，该比例为17.37%。
• 通过TTC分析与速度变化率对比，该模型通过减少不必要的减速并维持更安全的车距，提升了交通效率。
• 该模型在安全性与速度表现方面优于人类驾驶员，尤其在减少对目标车道后方车辆的有害交互方面表现更优。
• 驾驶风格的整合显著提升了决策质量，使模型能够更好地预测与响应周围车辆的行为。