[论文解读] Identifying Modes of Intent from Driver Behaviors in Dynamic Environments

Katherine Driggs-Campbell, Růžena Bajcsy|arXiv (Cornell University)|May 21, 2015

Autonomous Vehicle Technology and Safety参考文献 11被引用 4

一句话总结

本文提出了一种混合系统模型，通过驾驶模拟器中实时获取的人工标注变道数据，在动态驾驶环境中识别驾驶员意图。该模型基于环境传感器特征而非控制输入来分类意图，实现了高达92.1%的意图识别准确率，其中支持向量机（SVM）表现出最稳健且平滑的模式转换。

ABSTRACT

In light of growing attention of intelligent vehicle systems, we propose developing a driver model that uses a hybrid system formulation to capture the intent of the driver. This model hopes to capture human driving behavior in a way that can be utilized by semi- and fully autonomous systems in heterogeneous environments. We consider a discrete set of high level goals or intent modes, that is designed to encompass the decision making process of the human. A driver model is derived using a dataset of lane changes collected in a realistic driving simulator, in which the driver actively labels data to give us insight into her intent. By building the labeled dataset, we are able to utilize classification tools to build the driver model using features of based on her perception of the environment, and achieve high accuracy in identifying driver intent. Multiple algorithms are presented and compared on the dataset, and a comparison of the varying behaviors between drivers is drawn. Using this modeling methodology, we present a model that can be used to assess driver behaviors and to develop human-inspired safety metrics that can be utilized in intelligent vehicular systems.

研究动机与目标

• 开发一种便携式、以人为本的驾驶员模型，以捕捉在动态、异构交通环境中的高层次意图。
• 采用混合系统建模方法，使模式转换由环境动态驱动，而非时间或启发式规则。
• 构建一个基于实时人工标注意图数据的鲁棒分类框架，利用环境感知特征训练模型。
• 通过确保模型独立于驾驶员状态或控制输入，使其可应用于半自动与全自动驾驶系统。
• 为混合交通环境下的自动驾驶系统建立基于人类行为的高阶安全度量与决策机制基础。

提出的方法

• 在高保真驾驶模拟器中收集了实时、人工标注的变道数据集，驾驶员在变道操作期间明确标注其意图。
• 将驾驶员意图建模为具有离散模式（如车道保持、变道）的混合系统，其中模式转换由动态环境状态触发。
• 从周围车辆中提取基于感知的特征（如相对位置、速度、距离）作为分类模型的输入。
• 在标注数据集上训练并比较多种监督分类器——支持向量机（SVM）、随机森林（RF）和逻辑回归（LR），以检测意图模式。
• 使用总体准确率和基于邻近车辆数量的场景特定准确率进行模型评估，并通过归一化减少类别不平衡偏差。
• 利用混淆矩阵和归一化概率输出分析分类可靠性及模式间转换的平滑性。

实验结果

研究问题

• RQ1 能否仅基于感知特征而非控制输入或驾驶员状态，在动态环境中准确识别驾驶员意图？
• RQ2 不同分类算法（SVM、RF、LR）在基于环境动态的变道过程中检测模式转换时表现如何？
• RQ3 该模型的准确率在不同驾驶员之间差异程度如何？导致驾驶员间差异性的因素有哪些？
• RQ4 基于环境驱动的模式转换的混合系统模型是否优于传统的时间窗口法或启发式方法？
• RQ5 该模型是否具备足够的鲁棒性和泛化能力，可作为混合交通环境中自动驾驶车辆的高层控制器？

主要发现

• 支持向量机（SVM）分类器实现了最高的总体准确率（89.5%），并表现出最平滑的模式转换，其预测在变道执行前保守但可靠。
• 随机森林（RF）实现了88.9%的总体准确率，表现出较强的模式区分能力，但因边界检测过于精细，导致转换不够平滑。
• 逻辑回归（LR）总体准确率较低（87.2%），但有效捕捉了概率性模式转换，在操作边界区域揭示了不确定性。
• 准确率在不同驾驶员间存在显著差异，最高得分场景（Scen. 3，3辆邻近车辆）中SVM准确率达到92.1%，表明环境复杂性影响性能表现。
• 将所有驾驶员的数据合并构建全局模型后性能极差，表明个体驾驶员建模对实现可靠意图识别至关重要。
• 该模型在未使用窗口化技术的情况下仍取得优异结果，表明最小化特征预处理可保持对多样化驾驶条件的灵活性与泛化能力。