[论文解读] Understanding V2V Driving Scenarios through Traffic Primitives

Wenshuo Wang, Weiyang Zhang+1 more|arXiv (Cornell University)|Jul 27, 2018

Time Series Analysis and Forecasting参考文献 30被引用 15

一句话总结

本文提出了一种非参数贝叶斯学习框架，将复杂的车辆间（V2V）驾驶交互分解为称为驾驶原语的基本行为构建模块。基于976个自然驾驶场景，采用黏性层次狄利克雷过程隐马尔可夫模型（HDP-HMM），提取了超过4,000个原语，随后通过动态时间规整（DTW）与k-means聚类，识别出20种不同的原语类型，揭示了交通中核心交互模式。

ABSTRACT

Semantically understanding complex drivers' encountering behavior, wherein two or multiple vehicles are spatially close to each other, does potentially benefit autonomous car's decision-making design. This paper presents a framework of analyzing various encountering behaviors through decomposing driving encounter data into small building blocks, called driving primitives, using nonparametric Bayesian learning (NPBL) approaches, which offers a flexible way to gain an insight into the complex driving encounters without any prerequisite knowledge. The effectiveness of our proposed primitive-based framework is validated based on 976 naturalistic driving encounters, from which more than 4000 driving primitives are learned using NPBL - a sticky HDP-HMM, combined a hidden Markov model (HMM) with a hierarchical Dirichlet process (HDP). After that, a dynamic time warping method integrated with k-means clustering is then developed to cluster all these extracted driving primitives into groups. Experimental results find that there exist 20 kinds of driving primitives capable of representing the basic components of driving encounters in our database. This primitive-based analysis methodology potentially reveals underlying information of vehicle-vehicle encounters for self-driving applications.

研究动机与目标

• 开发一种无监督框架，用于分析复杂的V2V驾驶交互，而无需对行为类型做出先验假设。
• 识别自然驾驶轨迹中嵌入的基本行为构建模块——驾驶原语。
• 实现对车辆交互的系统化建模，以提升自动驾驶决策能力和安全性评估。
• 克服现有方法依赖预定义离散状态或结构化道路环境的局限性。

提出的方法

• 通过黏性HDP-HMM进行非参数贝叶斯学习，从原始车辆轨迹数据中提取驾驶原语，无需假设行为数量固定。
• 使用动态时间规整（DTW）进行特征表示，以比较不同交互中车辆状态的时间序列。
• 基于DTW距离矩阵，利用k-means对提取的原语进行聚类，以归类相似行为。
• 利用组内距离（λw）与组间距离（λb）指导聚类数量选择并评估聚类质量。
• 应用5,000维特征向量，捕捉交互中车辆对的空间与时间动态特性。
• 在来自SPMD数据库的真实世界数据集（976个自然驾驶交互）上进行验证。

实验结果

研究问题

• RQ1 复杂V2V驾驶交互背后的基本行为组件是什么？
• RQ2 是否可以在不预先假设的前提下，将驾驶交互有效分解为有限数量的可重用行为原语？
• RQ3 如何利用HDP-HMM等无监督学习技术与基于DTW的聚类，发现并归类驾驶原语？
• RQ4 能够表征多样化V2V交互模式的最优驾驶原语数量是多少？
• RQ5 所提取的原语在不同交通场景下的可解释性与可区分性如何？

主要发现

• 该框架成功利用黏性HDP-HMM从976个自然驾驶交互中提取了超过4,000个驾驶原语。
• 通过DTW与k-means聚类，原语被划分为20种不同类别，代表了V2V交互的核心行为组件。
• 识别出的20种原语包括关键行为，如直线行驶、左/右转、变道，以及协调的汇入或转向序列。
• 聚类#4表现出全程加速的左转行为，而聚类#15与#18则代表右转行为，具有不同的速度特征——分别为先减速后加速或进一步减速。
• 该方法在存在噪声GPS数据的情况下，仍能稳健捕捉空间与时间动态，并在交叉路口与汇入场景中揭示了可解释的行为模式。
• 研究证实，复杂驾驶交互可系统性地分解为有限且可解释的原语集合，从而为自动驾驶系统提供更优的人类驾驶员行为建模基础。