[論文レビュー] Clustering of Driving Scenarios Using Connected Vehicle Datasets.

Wenshuo Wang, Aditya Ramesh+1 more|arXiv (Cornell University)|Jul 23, 2018

Autonomous Vehicle Technology and Safety参考文献 17被引用数 11

ひとこと要約

本論文は、GPSトレースからドライブイベントのコンactな表現を学習するための教師なし学習フレームワークを提案する。深層自己符号化器と距離に基づく測定値を組み合わせ、2,568件の自然的ドライブシナリオをk-meansクラスタリングにより異なる行動グループに分類し、ラベルなしで有効なクラスタリングを達成する。

ABSTRACT

Driving encounter classification and analysis can benefit autonomous vehicles to efficiently achieve a more smart decision. This paper presents an unsupervised learning framework to classify a wide range of driving encounters which compose of a pair of vehicles' GPS trajectories ordered by time. First, we develop five specific approaches, through integrating deep autoencoders with distance-based measures, to learn underlying representations of driving encounters in terms of both shape and distance, and we thoroughly compare and evaluate the performance of the five approaches. We then apply k-means clustering to categorize driving encounters into distinguishable groups based on the learned representations. Our proposed unsupervised learning framework for driving encounter classification is finally validated based on 2568 naturalistic driving encounters from connected vehicle datasets.

研究の動機と目的

• 自律走行車両システムにおける多様なドライブイベントの分類を、手動ラベリングに依存せずに解決すること。
• 車両トレースペアにおける空間的形状と時間的距離パターンを両方捉える表現学習技術の開発。
• ドライブイベント埋め込みに向けた複数の深層自己符号化器ベースのアプローチを評価・比較すること。
• 学習済み表現を用いてk-meansクラスタリングを適用し、意味的に意味のあるカテゴリにドライブイベントをグループ化すること。
• 実世界の連結車両データセット（2,568件の自然的ドライブイベント）を用いてフレームワークを検証すること。

提案手法

• ペアドGPSトレースからの形状および距離特徴を統合する5つの異なる深層自己符号化器ベースの手法を採用する。
• トレースデータ上で自己符号化器を訓練することで、ドライブイベントの低次元潜在表現を学習する。
• 距離に基づく測定値（例：動的時間ワープやハウスドルフ距離）を用いて、埋め込みの構造的・時間的整合性を向上させる。
• 学習済み表現にk-meansクラスタリングを適用し、類似したドライブイベントをクラスタにグループ化する。
• 5つの表現学習アプローチのアブレーションおよび比較的評価を通じて、クラスタリング性能を最適化する。
• 実世界の連結車両データセット（2,568件の自然的ドライブイベント）を用いて、最終的なフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 どの深層自己符号化器と距離に基づく測定値の組み合わせが、最も効果的なドライブイベント表現を生み出すか？
• RQ2 ラベルなしデータを用いた教師なしクラスタリングは、意味的に明確なカテゴリにドライブイベントをどれほどうまくグループ化できるか？
• RQ3 異なる表現学習アプローチの、車両トレースにおける形状と距離の両方を捉える相対的な性能はいかがなものか？
• RQ4 学習済み表現は、実世界の連結車両データにおける多様な自然的ドライブシナリオに一般化可能か？
• RQ5 クラスタの凝集性と分離性という観点から、5つの提案された表現学習手法のクラスタリング結果はどのように比較できるか？

主な発見

• 提案されたフレームワークは、教師なし学習のみを用いて2,568件の自然的ドライブイベントを明確な行動グループにクラスタリングに成功した。
• 深層自己符号化器と距離に基づく測定値の統合は、ベースライン手法と比較して表現品質を顕著に向上させた。
• 5つの評価済みアプローチの中で、特定の自己符号化器アーキテクチャと距離メトリックの組み合わせが最高のクラスタリング性能を達成した。
• 学習済み表現は、車両イベントにおける空間的トレース形状と時間的シーケンスパターンの両方を効果的に捉えていた。
• 学習済み埋め込みにk-meansクラスタリングを適用した結果、異なるドライブ行動に対応する一貫性があり、区別可能なクラスタが得られた。
• フレームワークは実世界の連結車両データにおいて強力な一般化性能を示し、自律走行車両意思決定システムへの応用可能性を裏付けた。