[论文解读] A Learning-Based Approach for Lane Departure Warning Systems with a Personalized Driver Model

Wenshuo Wang, Ding Zhao+2 more|arXiv (Cornell University)|Feb 4, 2017

Autonomous Vehicle Technology and Safety参考文献 18被引用 7

一句话总结

该论文提出了一种基于学习的车道偏离预警系统，采用个性化驾驶员模型，结合高斯混合模型（GMM）与隐马尔可夫模型（HMM），以预测驾驶员意图和车辆轨迹。通过建模个体驾驶风格并预测驾驶员是否会纠正车道偏离，该系统将误报率降低至3.07%，显著优于传统的车道穿越时间（TLC）和TLC-DSPLS方法。

ABSTRACT

Misunderstanding of driver correction behaviors (DCB) is the primary reason for false warnings of lane-departure-prediction systems. We propose a learning-based approach to predicting unintended lane-departure behaviors (LDB) and the chance for drivers to bring the vehicle back to the lane. First, in this approach, a personalized driver model for lane-departure and lane-keeping behavior is established by combining the Gaussian mixture model and the hidden Markov model. Second, based on this model, we develop an online model-based prediction algorithm to predict the forthcoming vehicle trajectory and judge whether the driver will demonstrate an LDB or a DCB. We also develop a warning strategy based on the model-based prediction algorithm that allows the lane-departure warning system to be acceptable for drivers according to the predicted trajectory. In addition, the naturalistic driving data of 10 drivers is collected through the University of Michigan Safety Pilot Model Deployment program to train the personalized driver model and validate this approach. We compare the proposed method with a basic time-to-lane-crossing (TLC) method and a TLC-directional sequence of piecewise lateral slopes (TLC-DSPLS) method. The results show that the proposed approach can reduce the false-warning rate to 3.07\%.

研究动机与目标

• 通过准确预测驾驶员纠正行为（DCB）和车道偏离行为（LDB），降低车道偏离预警（LDW）系统中的误报率。
• 开发一种个性化驾驶员模型（PDM），以捕捉个体在保持车道和车道偏离行为上的差异。
• 设计一种基于模型的预测算法，利用驾驶员特定动态特性和道路条件，预测未来的横向车辆轨迹。
• 制定一种驾驶员友好的预警策略，仅在预测到驾驶员不会纠正车道偏离时才发出警报。
• 利用密歇根大学安全飞行员模型部署计划收集的10名驾驶员的自然驾驶数据对方法进行验证。

提出的方法

• 通过结合高斯混合模型（GMM）来表示五个关键变量的联合概率密度：车辆速度、相对偏航角、偏航率、道路曲率以及相对横向位移，构建个性化驾驶员模型。
• 使用隐马尔可夫模型（HMM）对驾驶员行为的时间动态进行建模，其中状态代表不同的驾驶模式（例如：保持车道、车道偏离、纠正）。
• 通过统计连续数据点之间的模式转换，利用基于GMM分量的最大似然估计结果进行模式分配，从训练数据中估计HMM转移矩阵。
• 采用在线模型预测算法，利用训练好的PDM，在1秒的时间窗口内预测车辆未来的横向轨迹。
• 基于预测的轨迹实施预警策略，仅在系统判断驾驶员不太可能纠正车道偏离时才发出警报。
• 系统使用由车道穿越时间（TLC）以及参数γ₁和γ₂定义的风险函数，以平衡安全性与预警频率。

实验结果

研究问题

• RQ1 个性化驾驶员模型能否有效利用真实世界驾驶数据区分保持车道、车道偏离和纠正行为？
• RQ2 GMM-HMM融合模型在1秒时间窗口内对车辆未来横向轨迹的预测精度如何？
• RQ3 与基线TLC方法和TLC-DSPLS方法相比，所提出的TLC-PDM方法在多大程度上降低了误报率？
• RQ4 不同预警策略参数（γ₁, γ₂）如何影响安全性与预警频率之间的权衡？
• RQ5 驾驶员特定的行为模式能否被可靠捕捉并用于提升LDW系统的可接受性和有效性？

主要发现

• 所提出的TLC-PDM方法将误报率降低至3.07%，显著低于基线TLC方法和TLC-DSPLS方法。
• 个性化驾驶员模型有效捕捉了个体在车道偏离和纠正行为上的差异，实现了对驾驶员意图的准确预测。
• 基于模型的预测算法仅使用五个输入变量，即成功高精度地预测了车辆未来的横向轨迹。
• 基于预测驾驶员行为的预警策略减少了不必要的警报，同时通过10名驾驶员的自然驾驶数据验证，保持了安全性。
• 该系统表明，将驾驶员特定动态特性融入LDW设计可提高系统可接受性，并减少因误报引起的困扰。
• 对γ₁和γ₂参数的调优可实现安全性与预警频率之间的可调节权衡，支持系统的定制化部署。