May, 2024

探究困境区个性化驾驶行为：分析和预测停车或直行决策

PDF
TL;DR利用基于游戏引擎（即 CARLA）的驾驶模拟器，收集了来自四名司机在不同场景下的高分辨率车辆轨迹、交通信号相位和时间信息以及停车或通行的决策，通过分析个性化驾驶行为并开发个性化变压器编码器预测个体司机在困境区域中的停车还是通行决策，结果表明，相比于通用的变压器编码器和二元逻辑回归模型，个性化变压器编码器在困境区域中预测驾驶员决策的准确性提高了 3.7% 至 12.6% 和 16.8% 至 21.6%。
dilemma zonessignalized intersectionspersonalized driving behaviorsadvanced driver assistance systemspersonalized transformer encoder
发现论文，激发创造
  • 加速个性化自动换道进化通过课程学习

    个性化驾驶辅助系统的在线进化能力是确保用户偏好匹配必不可少的。本文提出了一种以驾驶员接管干预为基础的课程学习方法，通过利用在线的接管数据生成驾驶区域，采用高斯判别分析确保被感知的安全性，通过学徒学习实时对轨迹规划回报进行纠正，利用模型预测控制以在驾驶区域约束下优化回报目标，该方法具有更快的进化能力、经验累积的熟练度、被感知的安全性保证和较低的计算复杂性，仿真结果表明所提系统始终能成功自定义轨迹规划而无需进一步接管干预，累积经验可以使进化效率提高 24％，平均学习迭代次数仅为 13.8 次，平均计算时间为 0.08 秒。

    May, 2024

  • 交通优化中的隐式感知：先进的深度强化学习技术

    通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

    Sep, 2023

  • 混合特征融合的行人停留和前行预测

    本文提出了新的任务：行人停止和行走预测，并介绍了一个包括多个场景和行为的数据集，以及一个融合多种上下文的混合模型，用于提高行人运动预测算法的鲁棒性，并在数据集上验证了该模型的性能。

    Mar, 2022

  • 利用社会心理因素的强制合并情境中自主车辆的交互感知决策

    通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策略的有效性。

    Sep, 2023

  • 预测和分析非信号化交叉口的行人穿越行为

    通过使用模拟器数据研究涉及多辆车和行人的场景，本研究提出和评估了预测非斑马线场景中的缝隙选择以及斑马线场景中斑马线使用的机器学习模型，并调查和讨论行人行为如何受到行人等待时间、步行速度、未使用缝隙的数量、最大未选中缝隙以及其他行人的影响。这项研究通过提供预测模型和有价值的洞察力，为智能车辆的发展做出了贡献。

    Apr, 2024

  • 无信号路口行人交互结果预测：等待还是穿过？

    本文利用机器学习预测在非信号控制的人行横道中行人与车辆的交互，包括行人的行走决策、开始过马路的时间和过马路所需时间。使用神经网络模型比 logistic 回归模型提高了 4.46% 的预测准确率和 3.23% 的 F1 分数，并与线性回归模型相比，降低了 21.56% 和 30.14% 的 CIT 和 CD 的根均方误差。分析了交互因素的重要性，提供了在不同特征输入限制下选择模型的信息。

    Apr, 2023

  • 基于学习预测的自主驾驶交互合并决策

    本篇论文提出了一种自动驾驶的决策方法，采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

    Mar, 2023

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

    Dec, 2023

  • 机器学习基于的自动驾驶车辆意图轨迹识别与预测

    本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

    Feb, 2024

  • 面向混合交通中的安全自主性：通过信息共享检测人类驾驶员的不可预测异常行为

    通过有效融合周围自动驾驶车辆共享的实时信息，我们提出了一种既能显著提高轨迹预测又能准确快速检测异常人工驾驶模式切换或异常驾驶行为的高效算法，以验证我们的算法，我们首先在 NGSIM 和 Argoverse 数据集上评估了我们的轨迹预测器，证明了我们的预测器优于基线方法。然后通过在 SUMO 模拟器上进行大量实验，我们展示了我们的算法在高速公路和城市交通中具有出色的检测性能，最佳性能达到 97.3% 的检测率、1.2 秒的平均检测延迟和 0 误报。

    Aug, 2023