[論文レビュー] Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification

Sobhan Moosavi, Pravar D. Mahajan+3 more|arXiv (Cornell University)|Feb 10, 2021

Autonomous Vehicle Technology and Safety被引用数 12

ひとこと要約

本論文では、ドライビングスタイルの高精度な表現を、テレマティクスデータから抽出するための深層学習モデルD-CRNNを提案する。畳み込みニューラルネットワーク（CNN）を用いて走行パターンの意味的特徴を検出し、再帰的ニューラルネットワーク（RNN）で時間的依存性をモデル化することで、D-CRNNは最先端の性能を達成し、クラスタリング誤差を低減するとともに、ベースライン比で調整済み相互情報量（AMI）を15%向上させた。また、多様な経路サンプリングにより空間的記憶バイアスを軽減した。

ABSTRACT

Identifying driving styles is the task of analyzing the behavior of drivers in order to capture variations that will serve to discriminate different drivers from each other. This task has become a prerequisite for a variety of applications, including usage-based insurance, driver coaching, driver action prediction, and even in designing autonomous vehicles; because driving style encodes essential information needed by these applications. In this paper, we present a deep-neural-network architecture, we term D-CRNN, for building high-fidelity representations for driving style, that combine the power of convolutional neural networks (CNN) and recurrent neural networks (RNN). Using CNN, we capture semantic patterns of driver behavior from trajectories (such as a turn or a braking event). We then find temporal dependencies between these semantic patterns using RNN to encode driving style. We demonstrate the effectiveness of these techniques for driver identification by learning driving style through extensive experiments conducted on several large, real-world datasets, and comparing the results with the state-of-the-art deep-learning and non-deep-learning solutions. These experiments also demonstrate a useful example of bias removal, by presenting how we preprocess the input data by sampling dissimilar trajectories for each driver to prevent spatial memorization. Finally, this paper presents an analysis of the contribution of different attributes for driver identification; we find that engine RPM, Speed, and Acceleration are the best combination of features.

研究の動機と目的

• 実世界のテレマティクスデータから判別力のあるドライビングスタイル表現を捉えるための深層学習フレームワークの開発。
• ドライバー識別において、ルートの類似性に依存するのではなく、実際の走行行動に基づくモデルが生じる空間的記憶バイアスの問題への対処。
• 特にCANバスデータから得られる車両センサーデータのうち、ドライビングスタイル表現に最も情報が多い特徴の特定。
• 空間的バイアスが最小限に抑えられた多様で大規模な実世界データセットを用いた、提案手法の有効性の評価。
• 従来の深層学習および非深層学習ベースラインと比較して、D-CRNNアーキテクチャがドライバー識別タスクにおいて優れていることを実証すること。

提案手法

• D-CRNNモデルは、時系列走行データ（速度、加速度、RPM）からブレーキや旋回などの意味的走行パターンを抽出するために畳み込みニューラルネットワーク（CNN）を用いる。
• これらの意味的パターン間の時間的依存性をモデル化するために再帰的ニューラルネットワーク（RNN）が適用され、ドライバーの逐次的行動特性が符号化される。
• 最終的な全結合層がドライバーのスタイルの潜在表現を生成し、分類によって本人識別に使用される。
• 空間的記憶バイアスを低減するために、各ドライバーごとに類似しない経路を選択するデータサンプリング戦略を導入し、トレーニングデータにおけるルート被覆を最小限に抑える。
• ハイパーパramータを最適化してドライバー識別タスクのパフォーマンスを向上させるべく、大規模なCANバスおよびGPSデータ上でエンドツーエンドにモデルを訓練する。
• クラスタリングに基づくドライバー解像度を評価指標として用い、多様な経路セットにおける調整済み相互情報量（AMI）と推定誤差（EE）を測定する。

実験結果

リサーチクエスチョン

• RQ1 D-CRNNアーキテクチャは、既存の深層学習および非深層学習モデルと比較して、判別力のあるドライビングスタイル表現をどれほど効果的に学習できるか？
• RQ2 トレーニングデータにおける空間的類似性がドライバー識別モデルに与えるバイアスの程度はどの程度で、それをどのように軽減できるか？
• RQ3 速度、加速度、RPMなどの車両センサーデータのうち、どの組み合わせがドライビングスタイル表現において最も判別力が高いか？
• RQ4 提案されたモデルは、経路の重複が最小限の多様で実世界のドライビングデータセットにも一般化可能か？
• RQ5 教師なしドライバー解像度タスク、例えばラベルなし経路セットからドライバー数を推定するタスクにおいて、モデルの性能はどの程度か？

主な発見

• D-CRNNモデルは調整済み相互情報量（AMI）スコア0.62を達成し、最良のベースライン（ARNet）を約15%上回った。
• クラスタ数の推定誤差（EE）は1.08にまで低下したのに対し、次に優れたモデル（ARNet）は1.20であった。これは、クラスタリング精度が向上したことを示している。
• 空間的類似性が最小限の経路でトレーニングされた場合でも、D-CRNNモデルは優れたドライバー解像度性能を示し、ルートに基づくパターンではなく、真の走行スタイルを学習できることを確認した。
• CANバスデータから得られるエンジンRPM、速度、加速度の組み合わせが、ドライビングスタイル表現において最も判別力のある特徴セットを形成した。
• 提案されたデータサンプリング戦略は、空間的記憶バイアスを効果的に低減し、モデルが地理的ルート情報ではなく行動パターンを学習することを保証した。
• D-CRNNフレームワークは、単独のCNN、RNN、および自己符号化器ベースのモデル（ARNet）を大幅に上回り、AMIおよびEEの両指標で優れた性能を示した。これは、アーキテクチャ設計の有効性を裏付けた。