A Review on Longitudinal Car-Following Model

要約

【タイトル】
長期的な車間距離モデルに関するレビュー

【要約】
– 車間距離モデルは交通シミュレーションの中心的な要素であり、多数の自動運転支援システム（ADAS）の製品車に組み込まれている。
– CFの研究により、基本的な車のペアリングによる相互作用によって引き起こされる異なるマクロ現象の根源を特定することができる。
– CFの振る舞いと制御モデルは、交通工学、物理学、認知科学、機械学習、強化学習などのさまざまな分野を包括している。
– この論文は、潜在的な論理と原理に基づいているさまざまなCFモデルの違い、補完性、重複点を強調する包括的な調査を提供している。
– 私たちは、理論ベースの運動学モデル、刺激反応モデル、クルーズコントロールモデルからデータ駆動型の振る舞いクローニング（BC）および模倣学習（IL）までの代表的なアルゴリズムをレビューし、それらの強みと限界を概説した。
– このレビューは、異なる原則に概念化されたCFモデルをカテゴライズし、包括的な枠組みで膨大な文献をまとめたものである。

要約(オリジナル)

The car-following (CF) model is the core component for traffic simulations and has been built-in in many production vehicles with Advanced Driving Assistance Systems (ADAS). Research of CF behavior allows us to identify the sources of different macro phenomena induced by the basic process of pairwise vehicle interaction. The CF behavior and control model encompasses various fields, such as traffic engineering, physics, cognitive science, machine learning, and reinforcement learning. This paper provides a comprehensive survey highlighting differences, complementarities, and overlaps among various CF models according to their underlying logic and principles. We reviewed representative algorithms, ranging from the theory-based kinematic models, stimulus-response models, and cruise control models to data-driven Behavior Cloning (BC) and Imitation Learning (IL) and outlined their strengths and limitations. This review categorizes CF models that are conceptualized in varying principles and summarize the vast literature with a holistic framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI