Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior

要約

正確で解釈可能な自動車中のモデルは、交通シミュレーションと自動運転車の開発に不可欠です。
ただし、インテリジェントドライバーモデル（IDM）のような古典的なモデルは、標準的に標準的で単一規制構造によって制限されています。
彼らは、単一の運転状態（速度、相対速度、ギャップなど）が多くの異なるドライバーアクションを引き出すことができる人間の運転のマルチモーダルの性質を捉えることができません。
これにより、モデルは明確な動作間で平均化され、忠実度を低下させ、パラメーターを解釈が困難にします。
これを克服するために、それぞれが解釈可能な動作モードに対応する異なるIDMパラメーターセットによって運転動作を管理できるようにするレジームスイッチングフレームワークを導入します。
この設計により、モデルは、多様な運転コンテキストを平均化するのではなく、解釈可能な行動モードを動的に切り替えることができます。
IDMダイナミクス（FHMM-IDM）を備えた要因の隠されたマルコフモデルを使用してフレームワークをインスタンス化します。これは、2つの独立したマルコフプロセスを介して、内因性駆動体制（積極的な加速、定常状態のフォローなど）を外部トラフィックシナリオ（たとえば、フリーフロー、輻輳、停止と停止）から明示的に分離します。
マルコフチェーンモンテカルロ（MCMC）を介したベイジアン推論は、レジーム固有のパラメーター、遷移ダイナミクス、および潜在状態軌道を共同で推定するために使用されます。
HighDデータセットの実験は、FHMM-IDMが人間の運転における解釈可能な構造を明らかにし、コンテキストトラフィック条件から内部ドライバーのアクションを効果的に解き放ち、動的なレジームスイッチングパターンを明らかにすることを示しています。
このフレームワークは、不確実性の下でコンテキスト依存の運転行動をモデル化するための扱いやすく原則的なソリューションを提供し、トラフィックシミュレーションの忠実度、安全分析の有効性、およびより人間中心のADAの開発を提供します。

要約(オリジナル)

Accurate and interpretable car-following models are essential for traffic simulation and autonomous vehicle development. However, classical models like the Intelligent Driver Model (IDM) are fundamentally limited by their parsimonious and single-regime structure. They fail to capture the multi-modal nature of human driving, where a single driving state (e.g., speed, relative speed, and gap) can elicit many different driver actions. This forces the model to average across distinct behaviors, reducing its fidelity and making its parameters difficult to interpret. To overcome this, we introduce a regime-switching framework that allows driving behavior to be governed by different IDM parameter sets, each corresponding to an interpretable behavioral mode. This design enables the model to dynamically switch between interpretable behavioral modes, rather than averaging across diverse driving contexts. We instantiate the framework using a Factorial Hidden Markov Model with IDM dynamics (FHMM-IDM), which explicitly separates intrinsic driving regimes (e.g., aggressive acceleration, steady-state following) from external traffic scenarios (e.g., free-flow, congestion, stop-and-go) through two independent latent Markov processes. Bayesian inference via Markov chain Monte Carlo (MCMC) is used to jointly estimate the regime-specific parameters, transition dynamics, and latent state trajectories. Experiments on the HighD dataset demonstrate that FHMM-IDM uncovers interpretable structure in human driving, effectively disentangling internal driver actions from contextual traffic conditions and revealing dynamic regime-switching patterns. This framework provides a tractable and principled solution to modeling context-dependent driving behavior under uncertainty, offering improvements in the fidelity of traffic simulations, the efficacy of safety analyses, and the development of more human-centric ADAS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google