[论文解读] If and When a Driver or Passenger is Returning to Vehicle: Framework to Infer Intent and Arrival Time

Bashar I. Ahmad, Patrick Langdon+3 more|arXiv (Cornell University)|Sep 21, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 33被引用 2

一句话总结

该论文提出了一种贝叶斯概率框架，通过智能手机的不完整GPS轨迹数据，推断驾驶员或乘客返回车辆的意图，并估计其到达时间。通过将意图建模为通往车辆位置的马尔可夫桥过程，并使用改进的卡尔曼滤波器，该方法实现了低训练需求和低计算复杂度下的早期、高精度预测，在真实场景中优于基于距离的检测方法和标准跟踪方法。

ABSTRACT

This paper proposes a probabilistic framework for the sequential estimation of the likelihood of a driver or passenger(s) returning to the vehicle and time of arrival, from the available partial track of the user location. The latter can be provided by a smartphone navigational service and/or other dedicated (e.g. RF based) user-to-vehicle positioning solution. The introduced novel approach treats the tackled problem as an intent prediction task within a Bayesian formulation, leading to an efficient implementation of the inference routine with notably low training requirements. It effectively captures the long term dependencies in the trajectory followed by the driver/passenger to the vehicle, as dictated by intent, via a bridging distribution. Two examples are shown to demonstrate the efficacy of this flexible low-complexity technique.

研究动机与目标

• 利用部分GPS轨迹数据，实现对驾驶员或乘客是否返回车辆的早期且准确预测。
• 在用户尚未抵达车辆前，以高置信度估计其到达时间。
• 开发一种低复杂度、轻量级训练的方法，整合时间、日历事件等上下文因素。
• 克服基于距离检测方法（决策延迟或模糊）和标准跟踪方法（错误预测）在意图推断中的局限性。
• 提供一种灵活的、基于信念的框架，可适应多种运动模型和观测噪声特性。

提出的方法

• 将意图预测建模为贝叶斯假设检验问题，区分返回车辆（H1）与不返回（H2）。
• 引入马尔可夫桥过程以建模朝向车辆的长期运动依赖性，捕捉由意图驱动的轨迹模式。
• 采用连续时间观测模型并引入随机噪声，以处理不规则采样和不精确的GPS测量。
• 使用改进的卡尔曼滤波器，对意图后验概率和到达时间进行高效序列推断。
• 通过MAP（最大后验概率）估计，从后验分布中推导出到达时间的点预测。
• 通过贝叶斯框架中的先验分布，整合上下文信息（如时间、日历事件）。

实验结果

研究问题

• RQ1 与基于距离的方法相比，该概率框架是否能更早、更可靠地推断驾驶员/乘客返回车辆的意图？
• RQ2 马尔可夫桥模型在不完整GPS轨迹中，是否能有效捕捉由意图驱动的运动依赖性？
• RQ3 与数据驱动的意图预测模型相比，该方法在多大程度上减少了训练需求？
• RQ4 随着新GPS数据的持续输入，到达时间估计的准确性和适应性如何？
• RQ5 该框架能否有效处理真实智能手机数据中不规则采样和噪声测量的问题？

主要发现

• 在返回场景中，系统在用户开始行走后35秒内即成功以高概率（p(H1|y1:k) > 0.9）预测出返回意图。
• 在不返回场景中，系统在约125秒前始终保持较低的意图概率，之后迅速适应新轨迹。
• 随着轨迹数据的增加，到达时间估计持续改进，置信区间随时间缩小，表现出合理精度。
• 该方法优于传统跟踪方法和基于距离的检测方法，后者常产生任意误差或延迟决策。
• 用户接近车辆时，到达时间的后验分布保持准确；但通过车辆后，其准确性如预期下降。
• 通过采用带随机噪声的连续时间观测模型，该框架在处理噪声和不规则GPS数据方面表现出强鲁棒性。