[论文解读] A cognitive process approach to modeling gap acceptance in overtaking

S. Mohammad, Haneen Farah+1 more|arXiv (Cornell University)|Jun 8, 2023

Human-Automation Interaction and SafetyPsychology被引用 3

一句话总结

本研究基于吸收扩散模型（DDM）提出了一种认知过程模型，用于预测在自动驾驶车辆（AVs）参与的高速超车操作中人类的间隙接受行为。通过引入与自车初始速度相关的初始决策偏差，该模型准确捕捉了动态超车行为，表明DDM能够有效模拟时间受限、高风险情境下的实时人车交互。

ABSTRACT

Driving automation holds significant potential for enhancing traffic safety. However, effectively handling interactions with human drivers in mixed traffic remains a challenging task. Several models exist that attempt to capture human behavior in traffic interactions, often focusing on gap acceptance. However, it is not clear how models of an individual driver's gap acceptance can be translated to dynamic human-AV interactions in the context of high-speed scenarios like overtaking. In this study, we address this issue by employing a cognitive process approach to describe the dynamic interactions by the oncoming vehicle during overtaking maneuvers. Our findings reveal that by incorporating an initial decision-making bias dependent on the initial velocity into existing drift-diffusion models, we can accurately describe the qualitative patterns of overtaking gap acceptance observed previously. Our results demonstrate the potential of the cognitive process approach in modeling human overtaking behavior when the oncoming vehicle is an AV. To this end, this study contributes to the development of effective strategies for ensuring safe and efficient overtaking interactions between human drivers and AVs.

研究动机与目标

• 理解在自动驾驶车辆与人类车辆混合交通中，人类超车行为背后认知机制的成因。
• 识别在动态人车交互中至关重要的关键交互行为，尤其是隐性沟通。
• 开发一种动态的、基于过程的超车决策建模方法，以考虑不断变化的车辆动力学特性。
• 评估认知过程模型（如吸收扩散模型）是否能够捕捉高速场景下人类超车行为的定性模式。
• 为未来在超车情境下实现更安全、更高效的自动驾驶车辆交互策略提供基础。

提出的方法

• 采用基于吸收扩散模型（DDM）的认知过程建模方法，模拟超车过程中的决策行为。
• 利用Markkula等人提出的显性、隐性和非沟通性交互分类体系，将先前研究中的20个超车子任务映射到交互行为类别。
• 将时间到达（TTA）和对向车辆距离d(t)等动态变量纳入漂移率和决策边界函数。
• 引入与自车初始速度成比例的初始决策偏差，以反映驾驶员的预期和风险感知。
• 评估六种DDM变体（M2、M4、M6），并基于其对定性行为模式的拟合优度，选择M6作为最优模型。
• 使用实证数据校准模型参数，M6在简洁性与解释力之间达到最佳平衡（α = 0.07，β = 0.11，b0 = 2.8，k = 0.02，bz = 0.14，θz = 5.8，θs = 47，µND = 1.0，σND = 0.27）。

实验结果

研究问题

• RQ1 隐性沟通动态（如运动与速度变化）如何影响超车过程中的间隙接受？
• RQ2 认知过程模型（如吸收扩散模型）是否能准确表征高速超车场景中的人车动态交互？
• RQ3 自车初始速度在塑造超车决策中起到何种作用？
• RQ4 哪种DDM配置最能捕捉人类在与AV超车时的间隙接受定性模式？
• RQ5 对向车辆行为的动态变化（如加速或减速）如何影响超车决策过程？

主要发现

• M6模型（包含依赖于自车初始速度的决策偏差，且漂移率依赖于TTA和d(t)）最能捕捉人类超车行为的定性模式。
• 将初始速度作为决策偏差纳入模型，显著提升了模型拟合度，表明驾驶员基于速度的预期会影响间隙接受行为。
• 在M6模型中，仅当同时考虑TTA(t)和d(t)时，决策边界才会发生坍缩，表明时间和空间接近度均对超车决策至关重要。
• M6在保持完整解释力的同时实现了最简化的参数化，共包含八个自由参数。
• 该模型的响应时间结构（1–3秒）与实证观察结果一致，支持其在模拟实时决策过程中的有效性。
• 本研究证实，DDM可被拓展至静态间隙接受之外，用于模拟涉及自动驾驶车辆的动态、高速交通交互。