Car-Following Models: A Multidisciplinary Review

要約

車追従 (CF) アルゴリズムは交通シミュレーションの重要なコンポーネントであり、先進運転支援システム (ADAS) を搭載した多くの量産車両に統合されています。
車の追従行動モデルからの洞察は、車両のペア間の相互作用から生じるさまざまなマクロ現象の原因を理解するのに役立ちます。
車追従モデルには、交​​通工学、物理学、動的システム制御、認知科学、機械学習、強化学習などの複数の分野が含まれます。
このペーパーでは、基礎となる原理と設計ロジックに基づいて、微細な交通フローと制御モデル間の相違点、補完性、重複点を強調する広範な調査を紹介します。
理論ベースの運動学モデル、心理物理モデル、適応クルーズ コントロール モデルから、強化学習 (RL) や模倣学習 (IL) などのデータ駆動型アルゴリズムに至るまで、代表的なアルゴリズムをレビューします。
この原稿では、これらのモデルの長所と限界について説明し、さまざまな状況でのその応用を探ります。
このレビューでは、さまざまな分野にわたる既存の研究を総合して、自動車追従モデルとそのア​​プリケーションの最新トレンドを特定することで知識のギャップを埋め、将来の研究への指針を提供します。

要約(オリジナル)

Car-following (CF) algorithms are crucial components of traffic simulations and have been integrated into many production vehicles equipped with Advanced Driving Assistance Systems (ADAS). Insights from the model of car-following behavior help us understand the causes of various macro phenomena that arise from interactions between pairs of vehicles. Car-following models encompass multiple disciplines, including traffic engineering, physics, dynamic system control, cognitive science, machine learning, and reinforcement learning. This paper presents an extensive survey that highlights the differences, complementarities, and overlaps among microscopic traffic flow and control models based on their underlying principles and design logic. It reviews representative algorithms, ranging from theory-based kinematic models, Psycho-Physical Models, and Adaptive cruise control models to data-driven algorithms like Reinforcement Learning (RL) and Imitation Learning (IL). The manuscript discusses the strengths and limitations of these models and explores their applications in different contexts. This review synthesizes existing researches across different domains to fill knowledge gaps and offer guidance for future research by identifying the latest trends in car following models and their applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google