不同行为模型框架下的数据驱动类人驾驶模型比较

doi:10.12141/j.issn.1000-565X.210783

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (10): 1-10.doi: 10.12141/j.issn.1000-565X.210783

所属专题： 2022年交通运输工程

不同行为模型框架下的数据驱动类人驾驶模型比较

黄玲^1,^2,³ 黄子虚¹ 吴泽荣¹ 游峰¹ 崔躜¹ 曾译萱¹ 钟浩川¹

^1.华南理工大学土木与交通学院，广东广州 510640
^2.东南大学现代城市交通技术江苏高校协同创新中心，江苏南京 210096
^3.华南理工大学亚热带建筑科学国家重点实验室，广东广州 510640

收稿日期:2021-12-10 出版日期:2022-10-25 发布日期:2022-04-29
通信作者: 游峰（1977-），男，博士，副教授，主要从事智能汽车、车路协同与安全控制研究。 E-mail:youfeng@scut. edu. cn
作者简介:黄玲（1979-），女，博士，副教授，主要从事交通仿真、自动驾驶、驾驶行为建模研究。E-mail:hling@scut.edu.cn.
基金资助:
广东省区域联合基金资助项目(2020B1515120095);广州市重点领域研发计划项目(202007050004);广东省普通高校特色创新类项目(2019KTSCX007);华南理工大学亚热带建筑科学国家重点实验室开放研究项目(2020ZB20)

Comparison of Data-Driven Human-Like Driving Models Under Different Behavior Model Frameworks

HUANG Ling^1,^2,³ HUANG Zixu¹WU Zerong¹ YOU Feng¹ CUI Zhuan¹ ZENG Yixuan¹ ZHONG Haochuan¹

^1.School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Jiangsu Key Laboratory of Urban ITS，Southeast University，Nanjing 210096，Jiangsu，China
^3.State Key Laboratory of Subtropical Building Science，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2021-12-10 Online:2022-10-25 Published:2022-04-29
Contact: 游峰（1977-），男，博士，副教授，主要从事智能汽车、车路协同与安全控制研究。 E-mail:youfeng@scut. edu. cn
About author:黄玲（1979-），女，博士，副教授，主要从事交通仿真、自动驾驶、驾驶行为建模研究。E-mail:hling@scut.edu.cn.
Supported by:
Guangdong Province Regional Joint Fund(2020B1515120095);Guangdong Province General Colleges and Universities Featured Innovation Projects(2019KTSCX007)

摘要/Abstract

摘要：

传统的驾驶行为模型框架把驾驶行为划分为跟驰行为和换道行为两大类，并分别进行模型构建；而综合驾驶行为模型框架则认为跟驰行为和换道行为密不可分，因此将所有驾驶行为看作一个整体来进行建模。文中基于这两种行为模型框架，对数据驱动类人驾驶模型的性能进行分析。首先，建立综合驾驶行为模型框架和跟驰换道组合模型框架，并根据驾驶过程中的影响因素，确定模型的输入和输出。其次，提出了基于跟驰、换道和意图识别模块的两种跟驰换道组合方式：判别组合和概率组合。随后，对原始数据集进行处理筛选，构建综合驾驶行为、跟驰行为、换道行为和意图识别4个样本库，分别用于对相应行为模块进行训练和标定。最后，将两种跟驰换道组合模型与综合驾驶行为模型进行模型精度、安全性、鲁棒性和迁移性比较。结果表明：在模型输入输出、参数标定流程和样本数据库一样的情况下，基于长短期记忆神经网络（LSTM）的类人驾驶模型精度优于基于FNN的模型，其中基于LSTM的模型均方误差可达到0.227 m²，基于FNN的模型均方误差为0.470 m²。而在基于LSTM的模型中，采用跟驰换道组合模型框架的模型比采用综合驾驶行为模型框架的模型具有更好的鲁棒性和迁移性，其中跟驰换道组合模型在±10％噪声下的鲁棒性均方误差可达到1.383 m²，迁移性均方误差可达到0.462 m²；综合驾驶行为模型在±10％噪声下的鲁棒性均方误差为2.314 m²，迁移性均方误差为0.484 m²。

关键词: 数据驱动, 类人驾驶, 综合驾驶行为, 换道行为, 跟驰行为, 长短期记忆神经网络

Abstract:

The traditional driving behavior model framework divides the driving behaviors into car-following and lane-changing, which are modeled separately. While the integrated driving behavior model framework believes that car-following and lane-changing are inseparable, so all driving behaviors are modeled as a whole. Based on these two behavioral model frameworks, this paper analyzed the performance of the data-driven human-like driving models. Firstly, it established integrated driving behavior model framework and car-following lane-changing combined model framework and then determined the input and output of the models according to the influencing factors in driving. Secondly, two combinations of car-following, lane-changing and intention recognition modules were proposed: discriminative combination and probability combination. Subsequently, the processing of the original data were carried out to build integrated driving behavior, car-following, lane-changing, and intention recognition datasets, which were used to train and calibrate the corresponding modules. Finally, the study compared the performance of the two combination models with the integrated driving behavior model in various aspects, including model accuracy, safety, robustness and migration. The results show that, when the model input and output, the parameter calibration process and the dataset are the same, the accuracy of the human-like driving model based on long short-term memory neural network (LSTM) is better than the model based on FNN. The mean square error of the model based on LSTM can reach 0.227 m², and the mean square error of the model based on FNN is 0.470 m². Within the LSTM-based model, the model using the car-following lane-changing combined model framework has better robustness and transferability than the model using the integrated driving behavior model framework. For the car-following lane-changing combined model, the mean square error of ±10% noise robustness can reach 1.383 m², and the mean square error of transferability can reach 0.462 m². For the integrated driving behavior model, the mean square error of ±10% noise robustness is 2.314 m², and the mean square error of transferability is 0.484 m².

Key words: data-driven, human-like driving, integrated driving, lane-changing, car-following, long short-term memory neural network

中图分类号:

U491

黄玲, 黄子虚, 吴泽荣, 等. 不同行为模型框架下的数据驱动类人驾驶模型比较[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 1-10.

HUANG Ling, HUANG Zixu, WU Zerong, et al. Comparison of Data-Driven Human-Like Driving Models Under Different Behavior Model Frameworks[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(10): 1-10.

图/表 16

图1

图2

图3

图4

图5

表1

不同模型或模块的输入输出参数表"

模型或模块		输入参数	输出参数
LSTM-ID		$G I, C i, v i, C j, Δ s j i, ? j = C L, ? L L, ? L F, ? R L, ? R F$	$Δ s ? i t \| θ$
LSTM-C和LSTM-P	跟驰模块	$G I, C i, v i, C j, Δ s j i, ? j = C L$	$Δ s ? i t \| θ$
	换道模块	$G I, C i, v i, C j, Δ s j i, ? j = C L, ? L L, ? L F ? 或 ? C L, ? R L, ? R F$	$Δ s ? i t \| θ$
	意图识别模块	$G I, C i, v i, C j, Δ s j i, ? j = C L, ? L L, ? L F, ? R L, ? R F$	$Ω$

表1

表2

LSTM类人驾驶模型的决定参数"

决定参数	参数描述	取值范围
历史时间序列 $N$	模型输入中历史数据的序列长度， $N$ 越大说明模型使用的历史信息越多	2， 3， 4， …， 10
隐藏层数量 $H$	LSTM神经网络模型的隐藏层的数量	1， 2， 3， 4
神经元数量 $n H$	隐藏层 $H$ 中神经元的数量	20， 50， 100， 150， 200
随机失活（Dropout）率 $d r$	被失活的神经元的比例	0.1， 0.5， 0.9
训练次数（Epoch）	训练中的迭代次数	1， 2， 3， …， 1 000

表2

表3

表4

表5

图6

表6

各模型前车间距相对误差统计表"

$R E h s$	相对误差分布百分比/%
$R E h s$	LSTM-ID	LSTM-P	LSTM-C	FNN-ID（R）
［-0.01， 0.01］	47.21	46.02	44.44	31.58
［-0.02， 0.02］	72.32	69.83	68.37	55.49
［-0.03， 0.03］	84.63	82.39	81.07	70.81
［-0.04， 0.04］	90.88	89.13	88.02	80.65
［-0.05， 0.05］	94.34	92.93	92.00	86.95

表6

图7

表7

表8

表9

参考文献 24

1	黄玲，郭亨聪，张荣辉，等．人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型［J］．中国公路学报，2020，33（7）：156-166.
	HUANG Ling， GUO Heng-cong， ZHANG Rong-hui，et al ．LSTM-based lane-changing behavior model for unmanned vehicle under environment of heterogeneous human-driven and autonomous vehicles ［J］．China Journal of Highway and Transport，2020，33（7）：156-166.
2	GIPPS P G ．A behavioural car-following model for computer simulation ［J］．Transportation Research Part B：Methodological，1981，15（2）：105-111.
3	WU J， BRACKSTONE M， MCDONALD M ．The validation of a microscopic simulation model：a methodological case study ［J］．Transportation Research Part C：Emerging Technologies，2003，11（6）：463-479.
4	HE Z， ZHENG L， GUAN W ．A simple nonparametric car-following model driven by field data ［J］．Transportation Research Part B：Methodological，2015，80：185-201.
5	HUANG X， SUN J， SUN J ．A car-following model considering asymmetric driving behavior based on long short-term memory neural networks ［J］．Transportation Research Part C：Emerging Technologies，2018，95：346-362.
6	HUANG L， GUO H， ZHANG R，et al ．Capturing drivers’lane changing behaviors on operational level by data driven methods ［J］．IEEE Access，2018，6：57497-57506.
7	JIA B， YANG D， ZHANG X，et al ．Car-following model considering the lane-changing prevention effect and its stability analysis ［J］．The European Physical Journal B，2020，93（8）：1-9.
8	TOLEDO T， KOUTSOPOULOS H N， BEN-AKIVA M. Integrated driving behavior modeling ［J］．Transportation Research Part C：Emerging Technologies，2007，15（2）：96-112.
9	HUANG L， GUO H， ZHANG R，et al ．A data-driven operational integrated driving behavioral model on highways ［J］．Neural Computing and Applications，2020，32（16）：13017-13033.
10	季学武，费聪，何祥坤，等．基于LSTM网络的驾驶意图识别及车辆轨迹预测［J］．中国公路学报，2019，32（6）：34-42.
	JI Xue-wu， FEI Cong， HE Xiang-kun，et al ．Intention recognition and trajectory prediction for vehicles using LSTM network ［J］．China Journal of Highway and Transport，2019，32（6）：34-42.
11	HOCHREITER S， SCHMIDHUBER J ．Long short-term memory ［J］．Neural Computation，1997，9（8）：1735-1780.
12	ADELI H ．Neural networks in civil engineering：1989-2000 ［J］．Computer‐Aided Civil and Infrastructure Engineering，2001，16（2）：126-142.
13	LECUN Y， BENGIO Y， HINTON G. Deep learning ［J］．Nature，2015，521（7553）：436-444.
14	van BRUMMELEN J， O’BRIEN M， GRUYER D，et al ．Autonomous vehicle perception：The technology of today and tomorrow ［J］．Transportation Research Part C：Emerging Technologies，2018，89：384-406.
15	FAN P， GUO J， ZHAO H，et al ．Car-following modeling incorporating driving memory based on autoencoder and long short-term memory neural networks ［J］．Sustainability，2019，11（23）：6755.
16	JIA S， HUI F， LI S，et al ．Long short-term memory and convolutional neural network for abnormal driving behaviour recognition ［J］．IET Intelligent Transport Systems，2020，14（5）：306-312.
17	TANG L， WANG H， ZHANG W，et al ．Driver lane change intention recognition of intelligent vehicle based on long short-term memory network ［J］．IEEE Access，2020，8：136898-136905.
18	CHEN X， SUN J， MA Z，et al ．Investigating the long-and short-term driving characteristics and incorporating them into car-following models ［J］．Transportation Research Part C：Emerging Technologies，2020，117：102698.
19	NAGAHAMA A， YANAGISAWA D， NISHINARI K ．Car-following characteristics of various vehicle types in respective driving phases ［J］．Transportmetrica B：Transport Dynamics，2020，8（1）：22-48.
20	WANG X， JIANG R， LI L，et al ．Capturing car-following behaviors by deep learning ［J］．IEEE Transactions on Intelligent Transportation Systems，2017，19（3）：910-920.
21	SUN L， JAFARIPOURNIMCHAHI A， KORNHAUSER A，et al ．A new higher-order viscous continuum traffic flow model considering driver memory in the era of autonomous and connected vehicles ［J］．Physica A：Statistical Mechanics and Its Applications，2020，547：123829.
22	Federal Highway Administration ．Next Generation Simulation （NGSIM）［EB/OL］．（2020-11-02）［2022-09-09］．.
23	Federal Highway Administration ．Revised monograph on traffic flow theory ［EB/OL］．（2017-01-31）［2022-09-09］ .
24	HUBER P J. Robust statistics ［M］．New York：John Wiley & Sons，2004.

模型	R_MSE/m²			r_MAE/m
模型	纵向	横向	总体	纵向	横向	总体
LSTM-ID	0.197	0.030	0.227	0.305	0.110	0.415
LSTM-P	0.225	0.032	0.257	0.323	0.113	0.436
LSTM-C	0.253	0.033	0.286	0.341	0.115	0.456
FNN-ID（R）^1）	0.447	0.023	0.470	0.466	0.098	0.564

意图	精确率/%	召回率/%	F1分数/%	准确率/%
换道	84.97	86.74	85.85	87.61
直行	89.71	88.28	88.99	87.61

干扰	模型	R_MSE/m²
干扰	模型	纵向	横向	总体
±10%噪声	LSTM-ID	2.282	0.032	2.314
	LSTM-P	1.350	0.033	1.383
	LSTM-C	1.388	0.033	1.421
	FNN-ID （R）	3.197	0.032	3.229
±20%噪声	LSTM-ID	5.655	0.033	5.689
	LSTM-P	3.461	0.033	3.494
	LSTM-C	3.489	0.033	3.523
	FNN-ID （R）	11.537	0.056	11.593
±30%噪声	LSTM-ID	9.253	0.034	9.287
	LSTM-P	5.868	0.033	5.901
	LSTM-C	5.948	0.034	5.982
	FNN-ID （R）	25.693	0.097	25.790

模型	R_MSE/m²			r_MAE/m
模型	纵向	横向	总体	纵向	横向	总体
LSTM-ID	0.451	0.033	0.484	0.430	0.107	0.537
LSTM-P	0.429	0.033	0.462	0.427	0.110	0.537
LSTM-C	0.543	0.035	0.578	0.494	0.119	0.613
FNN-I（R）	1.832	0.035	1.867	0.908	0.131	1.039

误差区间/m	测试误差分布/%
误差区间/m	LSTM-ID	LSTM-P	LSTM-C	FNN-ID（R）
［-0.3， 0.3］	52.75	52.36	46.04	27.03
［-0.5， 0.5］	75.76	75.37	70.30	44.63
［-1.0， 1.0］	89.47	89.17	85.60	63.80
［-1.5， 1.5］	97.28	96.33	94.23	79.89

不同行为模型框架下的数据驱动类人驾驶模型比较

Comparison of Data-Driven Human-Like Driving Models Under Different Behavior Model Frameworks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 24

相关文章 3

编辑推荐

Metrics

本文评价

[1]	赵建东, 焦岚馨, 赵志敏, 等. 考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 10-19.
[2]	黄道平邱禹刘乙奇李艳. 面向污水处理的数据驱动故障诊断及预测方法综述[J]. 华南理工大学学报（自然科学版）, 2015, 43(3): 111-120,129.
[3]	哀微朱学峰. 基于单边SPSA的动态偏差数据驱动控制算法[J]. 华南理工大学学报(自然科学版), 2012, 40(9): 81-86,92.