[论文解读] Modeling and Prediction of Human Driver Behavior: A Survey.

Kyle Brown, Katherine Driggs-Campbell+1 more|arXiv (Cornell University)|Jun 15, 2020

Autonomous Vehicle Technology and Safety被引用 18

一句话总结

本文提出了一项全面的综述与分类，针对200个驾驶员行为模型，采用部分可观察的随机博弈框架，统一并比较了在状态与意图估计、特质建模和运动预测等核心任务中的模型。主要贡献是基于其任务和方法论属性对模型进行结构化分类，从而在自动驾驶研究中实现更清晰的理解与比较。

ABSTRACT

We present a review and taxonomy of 200 models from the literature on driver behavior modeling. We begin by introducing a mathematical formulation based on the partially observable stochastic game, which serves as a common framework for comparing and contrasting different driver models. Our taxonomy is constructed around the core modeling tasks of state estimation, intention estimation, trait estimation, and motion prediction, and also discusses the auxiliary tasks of risk estimation, anomaly detection, behavior imitation and microscopic traffic simulation. Existing driver models are categorized based on the specific tasks they address and key attributes of their approach.

研究动机与目标

• 为应对驾驶员行为建模中日益增长的复杂性与碎片化问题，提供一个统一的比较框架。
• 识别并分类驾驶员行为研究中的核心建模任务，包括状态估计、意图推断、特质建模和运动预测。
• 分析200个现有模型中的方法论多样性，并根据任务重点和关键属性对它们进行分类。
• 通过阐明风险估计、异常检测、行为模仿和微观交通仿真等辅助任务的作用，支持未来研究。
• 为自动驾驶车辆系统中驾驶员行为模型的系统性开发与评估奠定基础。

提出的方法

• 作者基于部分可观察的随机博弈（POSG）构建数学公式，作为驾驶员行为建模的通用理论框架。
• 他们以四个核心建模任务为中心建立分类体系：状态估计、意图估计、特质估计和运动预测。
• 根据模型的主要任务重点和关键方法论属性（如数据来源、推理技术、建模假设）对模型进行分类。
• 该方法将风险估计、异常检测、行为模仿和微观交通仿真等辅助任务整合到整体框架中。
• 该分类体系支持在不同研究方向和应用场景之间对模型进行系统性比较与对比。

实验结果

研究问题

• RQ1 如何建立一个统一框架，以比较文献中多样化的驾驶员行为模型？
• RQ2 哪些是定义驾驶员行为模型范围与功能的主要建模任务？
• RQ3 不同模型在状态、意图和特质估计方面的处理方法有何差异？
• RQ4 风险估计和异常检测等辅助任务在综合驾驶员建模中扮演何种角色？
• RQ5 该分类体系如何支持更准确且可互操作的自动驾驶系统模型的开发？

主要发现

• 部分可观察的随机博弈框架成功地将多样化的驾驶员行为模型统一于同一数学结构之下。
• 文献中识别出的四个主导核心建模任务为：状态估计、意图估计、特质估计和运动预测。
• 大量模型聚焦于运动预测，通常采用概率方法或深度学习方法来预测轨迹。
• 风险估计和异常检测等辅助任务越来越多地被整合进模型中，尤其是在安全关键应用中。
• 该分类体系能够基于任务重点、数据模态和推理技术对模型进行清晰区分，从而提升模型选择与系统设计的效率。
• 综述揭示了方法论的多样性，尚无单一主导方法，凸显了建立标准化评估基准的必要性。