[论文解读] Clustering of Driving Scenarios Using Connected Vehicle Datasets.
本文提出了一种无监督学习框架，结合深度自编码器与基于距离的度量方法，从GPS轨迹中学习驾驶相遇的紧凑表征，随后通过k-means聚类将2,568个自然驾驶场景分类为不同的行为群体，实现了无需标注数据的有效聚类。
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.
研究动机与目标
- 为解决自动驾驶系统中在不依赖人工标注的情况下对多样化驾驶相遇进行分类的挑战。
- 开发能够捕捉车辆轨迹对中空间形状与时间距离模式的表征学习技术。
- 评估并比较多种基于深度自编码器的驾驶相遇嵌入方法。
- 应用k-means聚类，基于学习到的表征将驾驶相遇分组为语义上有意义的类别。
- 在包含2,568个自然驾驶相遇的真实车联网数据集上验证该框架。
提出的方法
- 采用五种不同的基于深度自编码器的方法，整合成对GPS轨迹中的形状与距离特征。
- 通过在轨迹数据上训练自编码器，学习驾驶相遇的低维潜在表征。
- 使用基于距离的度量方法（例如动态时间规整或Hausdorff距离）以增强嵌入中的结构与时间保真度。
- 对学习到的表征应用k-means聚类，将相似的驾驶相遇分组为簇。
- 通过消融实验与五种表征学习方法的对比评估，优化聚类性能。
- 在来自车联网的真实世界数据集（包含2,568个自然驾驶相遇）上验证最终框架。
实验结果
研究问题
- RQ1哪种深度自编码器与基于距离的度量方法组合能产生最有效的驾驶相遇表征？
- RQ2在无标注数据的情况下，无监督聚类在将驾驶相遇分组为语义上不同的类别方面表现如何？
- RQ3不同表征学习方法在捕捉车辆轨迹中形状与距离方面的相对性能如何？
- RQ4学习到的表征是否能在真实世界车联网数据中多样化的自然驾驶场景中实现良好泛化？
- RQ5在聚类凝聚度与分离度方面，五种提出的表征学习方法的聚类结果有何差异？
主要发现
- 所提出的框架成功地仅通过无监督学习将2,568个自然驾驶相遇聚类为不同的行为群体。
- 将深度自编码器与基于距离的度量方法结合，显著提升了表征质量，优于基线方法。
- 在五种评估方法中，一种特定的自编码器架构与距离度量组合达到了最高的聚类性能。
- 学习到的表征有效捕捉了车辆相遇中的空间轨迹形状与时间序列模式。
- 对学习到的嵌入应用k-means聚类，产生了语义清晰且可区分的簇，对应于不同的驾驶行为。
- 该框架在真实世界车联网数据上表现出强大的泛化能力，验证了其在自动驾驶车辆决策系统中的适用性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。