[论文解读] Driving Style Analysis Using Primitive Driving Patterns With Bayesian Nonparametric Approaches

Wenshuo Wang, Junqiang Xi+1 more|arXiv (Cornell University)|Aug 16, 2017

Autonomous Vehicle Technology and Safety参考文献 31被引用 13

一句话总结

该论文提出了一种贝叶斯非参数框架，利用HDP-HSMM从自然驾驶数据中学习原始驾驶模式，而无需预先知道模式数量。通过感知阈值对模式进行语义标注，并利用归一化模式分布之间的KL散度量化不同驾驶员之间的风格差异，展示了相较于仅使用统计度量，其在语义可解释性方面具有显著优势。

ABSTRACT

Analysis and recognition of driving styles are profoundly important to intelligent transportation and vehicle calibration. This paper presents a novel driving style analysis framework using the primitive driving patterns learned from naturalistic driving data. In order to achieve this, first, a Bayesian nonparametric learning method based on a hidden semi-Markov model (HSMM) is introduced to extract primitive driving patterns from time series driving data without prior knowledge of the number of these patterns. In the Bayesian nonparametric approach, we utilize a hierarchical Dirichlet process (HDP) instead of learning the unknown number of smooth dynamical modes of HSMM, thus generating the primitive driving patterns. Each primitive pattern is clustered and then labeled using behavioral semantics according to drivers' physical and psychological perception thresholds. For each driver, 75 primitive driving patterns in car-following scenarios are learned and semantically labeled. In order to show the HDP-HSMM's utility to learn primitive driving patterns, other two Bayesian nonparametric approaches, HDP-HMM and sticky HDP-HMM, are compared. The naturalistic driving data of 18 drivers were collected from the University of Michigan Safety Pilot Model Deployment (SPDM) database. The individual driving styles are discussed according to distribution characteristics of the learned primitive driving patterns and also the difference in driving styles among drivers are evaluated using the Kullback-Leibler divergence. The experiment results demonstrate that the proposed primitive pattern-based method can allow one to semantically understand driver behaviors and driving styles.

研究动机与目标

• 开发一种数据驱动的方法，用于在不假设固定模式数量的前提下，识别跟车行为中的原始驾驶模式。
• 通过将模式映射到驾驶员的生理和心理感知阈值，实现对驾驶模式的语义解释。
• 利用原始模式的归一化频率分布对个体驾驶风格进行建模。
• 通过模式分布之间的Kullback-Leibler散度量化不同驾驶员之间的驾驶风格差异。
• 将HDP-HSMM与HDP-HMM及sticky HDP-HMM在驾驶数据模式发现中的性能进行比较。

提出的方法

• 采用层次狄利克雷过程（HDP）非参数地推断未知数量的隐半马尔可夫模型（HSMM）状态，从而实现对原始驾驶模式的无监督发现。
• 使用密歇根大学SPDM数据库中的时间序列自然驾驶数据训练HDP-HSMM模型。
• 基于相对速度和距离动态将跟车行为分割为原始模式，模式边界由车辆状态的物理变化定义。
• 利用与驾驶员生理和心理反应相关的感知阈值，为每个原始模式分配语义标签。
• 对每位驾驶员的原始模式频率分布进行归一化，以表示其个体驾驶风格。
• 计算归一化模式分布之间的Kullback-Leibler（KL）散度，以量化不同驾驶员之间驾驶风格的差异。

实验结果

研究问题

• RQ1 像HDP-HSMM这样的贝叶斯非参数方法是否能有效从自然驾驶数据中学习原始驾驶模式，而无需预先知道模式数量？
• RQ2 与HDP-HMM和sticky HDP-HMM相比，所学习的原始模式在可解释性和性能方面有何差异？
• RQ3 基于感知阈值对原始模式进行语义标注，能在多大程度上提升驾驶风格的可解释性？
• RQ4 归一化的原始模式分布能否作为个体驾驶风格的稳健且灵活的表示方法？
• RQ5 模式分布之间的KL散度在多大程度上能捕捉驾驶员之间有意义的驾驶风格差异？

主要发现

• HDP-HSMM模型成功地从未知固定数量模式的自然驾驶数据中学习到75种不同的原始驾驶模式，适用于跟车场景。
• 与HDP-HMM和sticky HDP-HMM相比，HDP-HSMM在捕捉原始驾驶模式的时间动态和结构特征方面表现出更优的性能。
• 原始模式的归一化频率分布有效表征了个体驾驶风格，实现了超越基本统计度量的语义可解释性。
• 归一化模式分布之间的KL散度揭示了显著的驾驶员间差异：例如，驾驶员#8在近距离跟车行为中表现出最大差异，而驾驶员#11在正常距离和长距离跟车中最为独特。
• KL散度度量提供了一种灵活的非参数方式，用于量化驾驶风格的相似性或差异性，图15中的深红色方块表明高不相似性（例如，驾驶员#8与#12在近距离跟车中的对比）。
• 该框架通过将模式映射到驾驶员感知阈值，实现了对驾驶行为的语义理解，相较于基于均值和标准差的方法，提供了更细致的分析。