Automatic Identification of Driving Maneuver Patterns using a Robust Hidden Semi-Markov Models

要約

自然な逐次運動学的運転データの教師なし自動クラスタリングを介して運転操作パターンをモデル化することへの関心が高まっています。
学習されたパターンは、エコドライブ、交通安全、インテリジェント車両などの交通研究分野でよく使用されます。
これらのパターンをモデル化できるモデルの 1 つは、階層ディリクレ過程隠れセミマルコフ モデル (HDP-HSMM) であり、データ セグメンテーション、状態継続時間、および遷移確率を推定するためによく使用されます。
このモデルは、観測された連続データを自動的にクラスタリングするための強力なツールですが、既存の HDP-HSMM 推定には、状態の数を過大評価するという固有の傾向があります。
これにより、推定が不十分になる可能性があり、運転パターンの誤った推論により交通機関の研究に影響を与える可能性があります。
この論文では、冗長な状態の数を減らし、モデルの推定の一貫性を向上させるために、新しいロバストな HDP-HSMM (rHDP-HSMM) 手法を提案します。
自然主義的な運転データを使用したシミュレーション研究とケーススタディの両方が、運転操作パターンの特定と推論における提案された rHDP-HSMM の有効性を実証するために提示されます。

要約(オリジナル)

There is an increase in interest to model driving maneuver patterns via the automatic unsupervised clustering of naturalistic sequential kinematic driving data. The patterns learned are often used in transportation research areas such as eco-driving, road safety, and intelligent vehicles. One such model capable of modeling these patterns is the Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM), as it is often used to estimate data segmentation, state duration, and transition probabilities. While this model is a powerful tool for automatically clustering observed sequential data, the existing HDP-HSMM estimation suffers from an inherent tendency to overestimate the number of states. This can result in poor estimation, which can potentially impact impact transportation research through incorrect inference of driving patterns. In this paper, a new robust HDP-HSMM (rHDP-HSMM) method is proposed to reduce the number of redundant states and improve the consistency of the model’s estimation. Both a simulation study and a case study using naturalistic driving data are presented to demonstrate the effectiveness of the proposed rHDP-HSMM in identifying and inference of driving maneuver patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google