[论文解读] Driver Digital Twin for Online Prediction of Personalized Lane Change Behavior

Xishun Liao, Xuanpeng Zhao+6 more|arXiv (Cornell University)|Nov 2, 2022

Vehicle emissions and performance被引用 4

一句话总结

本文提出了一种驾驶员数字孪生（DDT）系统，通过车辆-边缘-云架构，使联网和自动驾驶车辆（CAVs）能够实时预测个性化变道行为。通过在云端基于历史数据建模个体驾驶员，并在边缘处理实时数据，该系统在变道执行前6秒实现94.3%的意图检测准确率，4秒预测窗口内的平均轨迹误差为1.03米，相比通用模型准确率提升27.8%。

ABSTRACT

Connected and automated vehicles (CAVs) are supposed to share the road with human-driven vehicles (HDVs) in a foreseeable future. Therefore, considering the mixed traffic environment is more pragmatic, as the well-planned operation of CAVs may be interrupted by HDVs. In the circumstance that human behaviors have significant impacts, CAVs need to understand HDV behaviors to make safe actions. In this study, we develop a Driver Digital Twin (DDT) for the online prediction of personalized lane change behavior, allowing CAVs to predict surrounding vehicles' behaviors with the help of the digital twin technology. DDT is deployed on a vehicle-edge-cloud architecture, where the cloud server models the driver behavior for each HDV based on the historical naturalistic driving data, while the edge server processes the real-time data from each driver with his/her digital twin on the cloud to predict the lane change maneuver. The proposed system is first evaluated on a human-in-the-loop co-simulation platform, and then in a field implementation with three passenger vehicles connected through the 4G/LTE cellular network. The lane change intention can be recognized in 6 seconds on average before the vehicle crosses the lane separation line, and the Mean Euclidean Distance between the predicted trajectory and GPS ground truth is 1.03 meters within a 4-second prediction window. Compared to the general model, using a personalized model can improve prediction accuracy by 27.8%. The demonstration video of the proposed system can be watched at https://youtu.be/5cbsabgIOdM.

研究动机与目标

• 为解决在有人驾驶车辆（HDVs）与联网和自动驾驶车辆（CAVs）混合交通环境下的安全高效运行挑战。
• 开发一种针对有人驾驶车辆车道变道行为的个性化、实时预测系统，以提升CAV的决策能力。
• 通过部署在车辆-边缘-云基础设施上的数字孪生框架，实现实时、可扩展且自适应的驾驶员行为建模。
• 在真实网络条件下，于仿真环境和真实世界现场环境中验证系统的性能。

提出的方法

• 利用历史自然驾驶数据，在云端为每辆HDV创建一个数字孪生，以建模个体驾驶员的行为模式。
• 通过其对应的数字孪生模型，在边缘服务器上处理每位驾驶员的实时车辆数据，以预测变道操作。
• 系统采用分层架构：云端用于长期行为建模，边缘用于实时推理，车辆用于数据采集。
• 基于个体驾驶员轨迹训练个性化预测模型，相比通用模型显著提升准确率。
• 系统采用4秒预测窗口，并使用预测轨迹与GPS验证轨迹之间的平均欧几里得距离（MED）评估性能。
• 系统在4G/LTE网络上部署，以确保现场试验中的实时通信。

实验结果

研究问题

• RQ1 数字孪生框架是否能在混合交通环境中实时有效预测个体驾驶员的变道意图？
• RQ2 通过数字孪生实现的个性化建模与通用模型相比，在预测变道行为方面表现如何？
• RQ3 使用所提出的边缘-云架构，变道意图预测的时间准确率如何？
• RQ4 在存在真实人类驾驶员和网络延迟的实际现场条件下，系统性能表现如何？
• RQ5 与真实GPS数据相比，该系统的轨迹预测准确率如何？

主要发现

• 系统在车辆跨越车道分隔线前平均6秒即可实现94.3%的变道意图检测准确率。
• 在4秒预测窗口内，预测轨迹与真实轨迹之间的平均欧几里得距离（MED）为1.03米。
• 相比通用（非个性化）模型，使用个性化模型使预测准确率提升27.8%。
• 系统实现实时性能，平均预测延迟为变道启动前6秒。
• 在4G/LTE网络下，对三辆乘用车进行的现场测试证实了系统在真实环境下的鲁棒性与可扩展性。
• 人机协同仿真平台成功验证了系统在多样化驾驶场景下的行为预测性能。