[论文解读] Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification

Sobhan Moosavi, Pravar D. Mahajan+3 more|arXiv (Cornell University)|Feb 10, 2021

Autonomous Vehicle Technology and Safety被引用 12

一句话总结

该论文提出D-CRNN，一种结合卷积神经网络与循环神经网络的深度学习模型，旨在从车联网数据中提取高保真度的驾驶风格表征，以提升驾驶员识别性能。通过使用CNN检测语义驾驶模式，RNN建模时间依赖性，D-CRNN实现了最先进性能，在基线模型基础上将聚类误差降低并提升调整兰顿互信息（AMI）15%，同时通过多样化轨迹采样策略减轻了空间记忆化问题。

ABSTRACT

Identifying driving styles is the task of analyzing the behavior of drivers in order to capture variations that will serve to discriminate different drivers from each other. This task has become a prerequisite for a variety of applications, including usage-based insurance, driver coaching, driver action prediction, and even in designing autonomous vehicles; because driving style encodes essential information needed by these applications. In this paper, we present a deep-neural-network architecture, we term D-CRNN, for building high-fidelity representations for driving style, that combine the power of convolutional neural networks (CNN) and recurrent neural networks (RNN). Using CNN, we capture semantic patterns of driver behavior from trajectories (such as a turn or a braking event). We then find temporal dependencies between these semantic patterns using RNN to encode driving style. We demonstrate the effectiveness of these techniques for driver identification by learning driving style through extensive experiments conducted on several large, real-world datasets, and comparing the results with the state-of-the-art deep-learning and non-deep-learning solutions. These experiments also demonstrate a useful example of bias removal, by presenting how we preprocess the input data by sampling dissimilar trajectories for each driver to prevent spatial memorization. Finally, this paper presents an analysis of the contribution of different attributes for driver identification; we find that engine RPM, Speed, and Acceleration are the best combination of features.

研究动机与目标

• 开发一种深度学习框架，从真实世界的车联网数据中捕捉具有判别性的驾驶风格表征，以实现精准的驾驶员识别。
• 解决驾驶员识别中的空间记忆化问题，即模型可能依赖路线相似性而非实际驾驶行为。
• 识别对驾驶风格表征最具信息量的车辆传感器特征，特别是来自CAN总线的数据。
• 在空间偏差极小的多样化大规模真实世界数据集上，评估所提模型的有效性。
• 证明D-CRNN架构在驾驶员识别任务中优于现有深度学习与非深度学习基线模型。

提出的方法

• D-CRNN模型使用卷积神经网络（CNN）从时间序列驾驶数据（如速度、加速度、转速RPM）中提取语义模式，例如制动或转向事件。
• 循环神经网络（RNN）用于建模这些语义模式之间的时间依赖性，编码驾驶员的序列行为特征。
• 最终全连接层生成驾驶员风格的潜在表征，用于通过分类进行身份预测。
• 为减少空间记忆化偏差，作者实施了一种数据采样策略，为每位驾驶员选择差异显著的轨迹，最小化训练数据中的路线重叠。
• 模型在大规模CAN总线与GPS数据上端到端训练，超参数经调优以实现驾驶员识别任务的最佳性能。
• 通过基于聚类的驾驶员分辨能力评估模型性能，测量在多样化轨迹集上的调整兰顿互信息（AMI）与估计误差（EE）。

实验结果

研究问题

• RQ1 与现有深度学习及非深度学习模型相比，D-CRNN架构在学习判别性驾驶风格表征方面的有效性如何？
• RQ2 训练数据中的空间相似性在多大程度上导致驾驶员识别模型产生偏差？该问题如何得以缓解？
• RQ3 哪些车辆传感器特征组合（如速度、加速度、RPM）能提供最具判别力的驾驶风格表征？
• RQ4 所提模型能否在空间重叠极少的多样化真实世界驾驶数据集上实现良好泛化？
• RQ5 在无监督驾驶员分辨任务中，如从未标注的轨迹集中估计驾驶员数量，该模型表现如何？

主要发现

• D-CRNN模型取得0.62的调整兰顿互信息（AMI）得分，相比最佳基线模型（ARNet）提升约15%。
• D-CRNN模型将聚类数量估计误差（EE）降低至1.08，优于次佳模型（ARNet）的1.20，表明聚类精度更高。
• 即使在训练轨迹空间相似性极低的情况下，模型仍表现出优越的驾驶员分辨能力，证实其学习的是真实驾驶风格而非基于路线的模式。
• 来自CAN总线数据的发动机转速（RPM）、速度与加速度组合提供了最具判别力的特征集，用于驾驶风格表征。
• 所提出的采样策略有效减轻了空间记忆化问题，确保模型学习的是行为模式而非地理路线信息。
• D-CRNN框架在AMI与EE指标上显著优于独立的CNN、RNN及基于自编码器的模型（ARNet），验证了其架构设计的有效性。