An active inference model of car following: Advantages and applications

要約

ドライバー プロセス モデルは、自動化された自律走行車技術のテスト、検証、開発において中心的な役割を果たします。
制御理論と物理学に基づいたルールから開発された以前のモデルは、動作レパートリーが制限されているため、自動化された車両アプリケーションでは制限されていました。
データ駆動型の機械学習モデルは、ルールベースのモデルよりも優れていますが、大規模なトレーニング データセットの必要性と解釈可能性の欠如、つまり、入力データと出力動作の間の理解可能なリンクによって制限されます。
解釈可能性を維持しながら、データ駆動型モデルに匹敵する行動の柔軟性を備えた、アクティブな推論を使用した新しい車のモデル化アプローチを提案します。
提案されたモデルである Active Inference Driving Agent (AIDA) を、ルールベースのインテリジェント ドライバー モデルと 2 つのニューラル ネットワーク Behavior Cloning モデルに対するベンチマーク分析を通じて評価しました。
モデルは、一貫したプロセスを使用して、実際の運転データセットでトレーニングおよびテストされました。
テスト結果によると、AIDA はルールベースのインテリジェント ドライバー モデルよりもはるかに優れた運転制御を予測し、4 回の評価のうち 3 回でデータ駆動型のニューラル ネットワーク モデルと同様の精度を示しました。
その後の解釈可能性分析は、AIDA の学習した分布がドライバーの行動理論と一致していること、および分布の視覚化を使用して、モデルの意思決定プロセスを直接理解し、限られたトレーニング データに起因するモデル エラーを修正できることを示しました。
この結果は、AIDA がブラックボックス データ駆動型モデルの有望な代替手段であることを示しており、運転スタイルのモデリングと、より多様なデータセットを使用したモデル トレーニングに焦点を当てたさらなる研究の必要性を示唆しています。

要約(オリジナル)

Driver process models play a central role in the testing, verification, and development of automated and autonomous vehicle technologies. Prior models developed from control theory and physics-based rules are limited in automated vehicle applications due to their restricted behavioral repertoire. Data-driven machine learning models are more capable than rule-based models but are limited by the need for large training datasets and their lack of interpretability, i.e., an understandable link between input data and output behaviors. We propose a novel car following modeling approach using active inference, which has comparable behavioral flexibility to data-driven models while maintaining interpretability. We assessed the proposed model, the Active Inference Driving Agent (AIDA), through a benchmark analysis against the rule-based Intelligent Driver Model, and two neural network Behavior Cloning models. The models were trained and tested on a real-world driving dataset using a consistent process. The testing results showed that the AIDA predicted driving controls significantly better than the rule-based Intelligent Driver Model and had similar accuracy to the data-driven neural network models in three out of four evaluations. Subsequent interpretability analyses illustrated that the AIDA’s learned distributions were consistent with driver behavior theory and that visualizations of the distributions could be used to directly comprehend the model’s decision making process and correct model errors attributable to limited training data. The results indicate that the AIDA is a promising alternative to black-box data-driven models and suggest a need for further research focused on modeling driving style and model training with more diverse datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google