Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles

要約

自動運転車 (AV) と人間運転車 (HDV) の混合交通シナリオに移行する中で、交通効率と交通安全を向上させるためには、車の追従行動を理解することが重要です。
この研究では、現実世界の軌道データセットを使用し、記述的および統計的分析を使用して、混合交通における HDV-AV、AV-HDV、HDV-HDV の 3 つの車両ペアの車両追従挙動を調査します。
ANOVA テストでは、さまざまな車両ペアにわたる車追従行動が統計的に有意であることが示されました (p 値 < 0.05)。 また、速度の観点から車の追従行動を予測するための、データ駆動型の知識蒸留ニューラル ネットワーク (KDNN) モデルも紹介します。 KDNN モデルは、教師ネットワークである長期短期記憶 (LSTM) ネットワークと同等の予測精度を示し、スタンドアロンの生徒ネットワーク、多層パーセプトロン (MLP)、および Gipps モデルなどの従来の物理ベースのモデルの両方を上回ります。 特に、KDNN モデルは、最小衝突時間 (TTC) によって測定される衝突防止効果が高く、より低い計算能力で動作するため、効率的なコンピューティングを必要とする AV や運転シミュレータに最適です。

要約(オリジナル)

As we move towards a mixed-traffic scenario of Autonomous vehicles (AVs) and Human-driven vehicles (HDVs), understanding the car-following behaviour is important to improve traffic efficiency and road safety. Using a real-world trajectory dataset, this study uses descriptive and statistical analysis to investigate the car-following behaviours of three vehicle pairs: HDV-AV, AV-HDV and HDV-HDV in mixed traffic. The ANOVA test showed that car-following behaviours across different vehicle pairs are statistically significant (p-value < 0.05). We also introduce a data-driven Knowledge Distillation Neural Network (KDNN) model for predicting car-following behaviour in terms of speed. The KDNN model demonstrates comparable predictive accuracy to its teacher network, a Long Short-Term Memory (LSTM) network, and outperforms both the standalone student network, a Multilayer Perceptron (MLP), and traditional physics-based models like the Gipps model. Notably, the KDNN model better prevents collisions, measured by minimum Time-to-Collision (TTC), and operates with lower computational power, making it ideal for AVs or driving simulators requiring efficient computing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google