Using Models Based on Cognitive Theory to Predict Human Behavior in Traffic: A Case Study

要約

自動運転車の開発は交通手段に革命をもたらす可能性を秘めていますが、現時点では安全で時間効率の良い運​​転スタイルを確保することはできません。
この問題を克服するには、人間の行動を予測する信頼性の高いモデルが不可欠です。
この目的にはデータ駆動型モデルが一般的に使用されますが、安全性が重要なエッジケースでは脆弱になる可能性があります。
このため、認知理論を組み込んだモデルへの関心が高まっていますが、そのようなモデルは一般に説明目的で開発されるため、行動予測におけるこのアプローチの有効性はこれまでのところほとんどテストされていません。
この記事では、ギャップ受け入れシナリオにおける人間の行動を予測するための \emph{Commotions} モデル (人間の知覚、意思決定、運動制御の最新理論を組み込んだ新しい認知的にもっともらしいモデル) の有用性を調査します。
車線変更や交差点など、多くの重要な交通交流が伴います。
このモデルが、いくつかの自然主義的なデータセットにわたって確立されたデータ駆動型予測モデルと競合、またはそれを上回るパフォーマンスを発揮できることを示します。
これらの結果は、自動運転車の行動予測モデルに認知理論を組み込むことが可能であることを示しています。

要約(オリジナル)

The development of automated vehicles has the potential to revolutionize transportation, but they are currently unable to ensure a safe and time-efficient driving style. Reliable models predicting human behavior are essential for overcoming this issue. While data-driven models are commonly used to this end, they can be vulnerable in safety-critical edge cases. This has led to an interest in models incorporating cognitive theory, but as such models are commonly developed for explanatory purposes, this approach’s effectiveness in behavior prediction has remained largely untested so far. In this article, we investigate the usefulness of the \emph{Commotions} model — a novel cognitively plausible model incorporating the latest theories of human perception, decision-making, and motor control — for predicting human behavior in gap acceptance scenarios, which entail many important traffic interactions such as lane changes and intersections. We show that this model can compete with or even outperform well-established data-driven prediction models across several naturalistic datasets. These results demonstrate the promise of incorporating cognitive theory in behavior prediction models for automated vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google