回顾基于机器学习模型预测和识别换道行为
露丝大卫
德克Soffker- 动力学和控制(SRS),主席Duisburg-Essen大学杜伊斯堡,德国
发展的一个主要方面先进驾驶辅助系统(该)是研究发展中人类驾驶行为预测和识别模型。近期重点发展贡献这些模型估算不同的驾驶行为,例如巷或速度变化。因此,模型纳入ADAS生成安全演习的警告和提示。驾驶行为识别和预测模型通常基于机器学习(ML)算法和被证明能产生准确的估计。先前的审查研究贡献倾向于关注ML-based模型预测和识别的速度变化,轨迹变化,甚至驾驶风格。由于大量的驾驶变道时发生错误,技术发展水平评估不同的ML-based换道行为预测模型和识别有助于比较不同模型的结构,影响输入变量,和性能。这使最有效的集成模型的发展该变道时,以避免事故。首先,定义和术语模型相关的任务和评价指标用于评估模型的性能描述提高可读性。然后,不同的输入变量的模型提出了影响换道行为。接下来,评估模型开发基于众所周知的方法,如人工神经网络(ANN)、隐马尔科夫模型(HMM)和支持向量机(SVM),使用不同的输入变量。 Three lane-changing behaviors are focused on here: left/right lane change and lane keeping. The advantages and disadvantages of the different ML models with a comparison are summarized as well. Finally, the improvements required in the future are discussed.
1介绍
根据全球状态报告卫生组织(WHO)在2018年,这个词从交通事故死亡人数占每年大约130万人的生命(世界卫生组织,2018年)。因此,安全在路上是近年来许多国家的一个主要焦点。这些事故往往与人类驾驶行为,如换道操作不当、攻击性驾驶行为,或疲劳驾驶(世界卫生组织,2018年)。为了解决这个问题,先进驾驶辅助系统(该)已经开发协助司机通过提供提示和警告。该的发展和增长依赖驾驶行为预测和识别模型。行为是个体,因此ADAS使估计开发个性化模型在个人层面。预测和识别模型通常基于机器学习(ML)方法由于其学习能力并生成准确的估计。常用毫升方法发展中这些模型的人工神经网络(ANN),隐马尔科夫模型(HMM)和支持向量机(SVM)。因此,专注于驾驶行为的研究是非常重要的。
很大一部分现有的研究侧重于发展中换道预测和识别模型,不正当的换道行为是事故的主要原因之一(Statistisches Bundesamt 2020)。然而,目前有数量有限的审查论文,只关注预测和识别的方法开发的换道行为。先前的评论在这一领域的关注各种驾驶方面的估计,如速度、轨迹,驾驶风格,和嗜睡,开车时使用ML-based方法(林et al ., 2014;Miyajima武田,2016;康,2013)。康(2013讨论不同的方法来检测嗜睡和分心驾驶。另一方面,有评论贡献,只关注一个特定ML-based方法估计的驾驶行为,如所描述的邓和Soffker (2022)。
虽然许多研究开发了基于ANN模型,嗯,和SVM算法,只有数量有限的研究比较林et al。(2014)。林et al。(2014)列出四种不同算法的优点和缺点。作者认为安有高效的大数据集模式识别能力。在这里,嗯说有良好的驾驶行为预测和识别能力。研究还指出嗯处理时间序列数据的能力,从而使它的合适选择开发驾驶行为的评估模型。即将到来的驾驶行为是随机和确定基于当前行为;因此,嗯在预测中起着重要作用的行为(江和范,2015;邹和莱文森,2006年;邓和Soffker。2022)。有一些研究,列出了支持向量机的优势识别所描述的行为李et al。(2017)和王et al。(2019),开发高精度的能力值和处理高维特征空间。虽然有有限的研究回顾和比较了三种算法,这些研究只总结其他驾驶行为,如驾驶风格马丁内斯et al。(2018)。虽然一些审查论文总结换道预测和识别方法,这些可能不审查所有提到的算法。同时,还有信息的缺乏在文献中研究不同的研究,开发了换道行为预测和识别模型基于三种方法。此外,许多研究没有提供一个详细的概述不同的变量类型作为输入的预测和识别模型。
相比之下,这个贡献关注ML-based方法,即安,嗯,和支持向量机的预测和识别换道行为。这项研究还将提供一个审查不同的变量作为输入用于发展换道预测和识别模型。换道行为分析车道改变(LCR),右边车道保持(路),和左车道改变(拼箱)。这些模型是基于开发的两种方法:1)结合两个或两个以上的ML算法和2)定义合适的输入特性通过使用特征选择技术。提出的第一个选项是的一个例子熊et al。(2018),应用支持向量机的分类和剩下的一条小路上场景基于车辆的轨迹;然后,高斯mixture-based HMM模型训练预测如果每个场景的碰撞可以发生。特征选择技术,如过滤和包装方法,应用Liebner et al。(2013)和便宜et al。(2018)。在研究的贡献,不同的指标,如ACC,检出率(博士)、精度、假警报率(远),曲线下面积(AUC)和F1的分数,是用来验证估计通过比较估计和实际行为。
这种贡献的组织结构如下:首先,基于模型的定义和术语的任务和评价指标分析模型的性能。其次,不同的输入变量类型的概述用于预测和识别模型的开发。然后,回顾不同ML-based方法用于开发这些模型进行了总结。每种方法的优缺点,讨论ML-based模型之间的比较。一个前景问题上需要改进基于方法的局限性进行了讨论。最后,给出一个结论。
2的定义和标准
改善审查的可读性,之前介绍过的相关定义和术语在不同的上下文中使用。相关条款的审查作为一个流离失所的引入会影响可读性。在这里,估计等术语的定义,预测和识别解释道。此外,定义不同的评价指标用来评估基于机器学习的方法对驾驶行为的性能估计是解释说。常用的指标是ACC,博士、精度,AUC, F1分数比较估计和实际行为的相似之处(权力,2011)。
在这项研究中,承认换道行为被定义为检测行为由司机,而预测处理预测在不久的将来最可能的行为基于一组执行的行为驱动程序(Jardim et al ., 2015)。换道行为预测或估计的换道行为。至于指标,ACC、博士、精密,定义和使用真阳性(TP),假阳性(FP),真正的负面(TN),假阴性(FN)给出的值权力(2011)。
TP描述的情况下,预测和实际行为是正的,例如,预测和实际行为是向右车道改变。另外,FP描述的情况下,预测行为是积极的,而实际不是。类似的想法是申请TN和FN。ACC定义正确的比例预测,而博士(也称为回忆)定义真阳性的比率(正确预测积极)病例的数量实际阳性病例。精确定义的比例真阳性病例的数量预测阳性病例。相反,远了假阳性的比率(错误地预测积极)情况下的实际数量-病例。更高的ACC,博士,和精度值和低的值表明更好的估计性能的方法。ACC的常见属性是它与非平衡数据集(表现不佳洛佩兹et al ., 2013),而博士和精度提供了一个更好的评估非平衡数据集(权力,2011)。的缺点和精度是不考虑博士FP的价值观,虽然精度不考虑FN值(Sharath迈赫兰海军,2021年)。另一个著名的指标是AUC,显示了回忆和假阳性率之间的关系(玻璃钢)。F1的分数也使用,它定义了调和平均数的精度和召回权力(2011)。
它实现正确性和覆盖的区别(费尔南德斯et al ., 2018)。F1的分数和AUC值越大表示良好的估计。
3输入变量影响驾驶行为
驾驶行为的行动进行开车时,受到环境条件的影响和驱动程序的特点。分析行为,不同的变量(功能),如环境、眼跟踪,跟踪,和生理变量使用。变量提供司机的信息,自我车辆的,和周围车辆的状态。在研究的贡献,这些变量作为输入用于预测和识别模型。换道预测和识别、环境变量主要是用作一般环境条件影响司机的决策过程。然而,眼睛/头部跟踪和生理变量也扮演了一定的角色。特征选择技术被用于一些贡献来选择最合适的变量,而其他人使用自动特征选择过程中的ML /深度学习方法的方法。因此,在本节中,不同的输入变量用于换道的发展预测和识别模型进行了总结。
3.1环境变量
环境变量影响司机提供信息的决定基于自我车辆和周围的车辆之间的关系。环境变量分为两类:1)自我车辆的相关变量和周围车辆的状态和2)变量相关司机的操作信息。车辆的状态变量提供的信息之间的关系不同的车辆和驾驶环境。典型的车辆状态变量被认为是文学的加速度,车辆速度和时间碰撞(TTC)。当司机意识到一个意想不到的机动,驾驶员的操作变量是需要提供车辆控制信息来更好的理解操作。这些包括方向盘角度,位置加速度/制动踏板,发动机转速。收集到的变量是使用不同的传感器,如控制器区域网络(可以)总线和加速度计。如前所述,大多数文献研究使用环境变量的预测和识别换道行为。Tran et al。(2015)提出了一个HMM-based方法预测换道意图使用司机的操作变量(方向盘、气体和刹车踏板位置)和车辆状态变量(加速度、角速度和速度)。动作被认为是包括左/右车道改变,左/右转,停止/不间断使用驾驶模拟器在高速公路和城市环境。汉et al。(2019)开发了一个框架,换道行为的预测和识别。这里,司机的特点首先估计使用文中针对技术。然后,基于估计的特点、换道行为预测使用神经网络方法。环境变量,如纵向位置,速度,和巷号被认为是估计的司机的特点和换道行为。一个前馈系统提出的意图考尔et al。(2005)使用贝叶斯学习方法通过考虑环境变量基于车辆和车道位置数据。环境变量和文献的摘要的示例给出了使用这些变量表1。
表1。摘要环境变量。
3.2的眼睛和头部变量
眼睛和头部变量的相关研究中也使用换道行为的评估。眼球追踪收集变量使用一个眼动跟踪设备或相机提供信息在眼球运动和在不同的驾驶情况下凝视。主要使用眼球追踪变量驱动研究眼定位,扫视(Vetturi et al ., 2020)。头部变量是基于驾驶员的头部姿势和头部动作通常使用相机传感器捕获。头部变量一般由头部的转动,头部角度,和头部的位置。这些设备的目的是监控驾驶员的行为,因此可以推断出意识和司机的意图。眼睛和头部变量提供司机的信息意识的环境/情况(如操纵在一个十字路口)和司机打算如何进行在特定情况下(Doshi Trivedi, 2009)。评估的可靠性眼睛凝视和头部动力学研究来确定司机的意图Doshi和Trivedi (2009)。根据结果,头动力学比眼睛的目光更有用的信息意图的决心。
头部所使用的变量莱昂纳特和Wanielik (2017)分析驾驶机动准备一个前馈的预测基于ANN。在这里,头在垂直轴的旋转,横向运动和头部跟踪的信心值作为输入变量。然而,在某些模型,眼球追踪变量的加入提高了估计性能。例如李et al。(2016)提出了一种贝叶斯网络的方法来预测换道意图。在这里,眼球追踪和收集车辆数据作为输入。基于融合的性能模型的眼球追踪和vehicle-related变量和个体变量集评估。从结果,贝叶斯模型使用融合集执行比当使用个人设置。眼球追踪信息的有用性设计HUD-based预警指标进行了研究你et al。(2017)。眼睛固定区域和固定移动路径的频率分析换道的情况。邓小平et al。(2020)评估眼球追踪信息的角色换道行为的预测基于CNN,嗯,随机森林(RF)和支持向量机来开发一个援助系统。从结果,可以得出结论,将眼球追踪数据的性能取决于预测能力和机器学习算法的选择。此外,司机的决定主要是基于环境因素。例如,只使用眼球追踪变量与ACC差值产生的提到的方法。另一方面,CNN -,嗯——,和RF-based模型结果略好当使用眼球追踪和环境变量的融合。然而,基于svm模型性能更好当只使用环境变量(邓et al ., 2020)。摘要在眼睛和头部变量表2。
表2。摘要眼睛和头部的变量。
3.3生理变量
生理变量提供司机的信息特征、模式和精神状态。常见的生理变量驱动的研究包括心电图(ECG)、脑电图(EEG)、脉冲重复频率和血液酒精浓度(BAC)。生理信息主要是用作输入的检测疲劳驾驶和酒后驾车。然而,在某些情况下,它可以用于预测所使用的换道行为Murphey et al。(2015)。作者认为在先前的研究只有环境变量被认为是;因此,其目的是使用生理变量来研究和评价预测性能。格兰杰因果关系检验是在这种新方法,作为特征选择技术和神经网络用于车道的分类变化。这里,只有生理变量如心电图、皮肤电反应(GSR)和呼吸率(RR)被认为是作为输入。根据结果,一个真正的积极(TPR)的70%和10%的假阳性率(玻璃钢)实现30换道和60 non-lane-changing事件。李et al。(2019)还利用生理变量的换道行为。尽管这项研究没有预测巷变化,它认为变道时预测的风险使用HMM-based方法。作者考虑环境、眼球追踪和生理变量。眼球运动的影响,心率变异性,在驾驶和车辆动态变量使用双因素风险评估指标分析技术。HMM结果显示90.67%的ACC值预测风险和感知之间的司机。摘要给出的解释变量表3。
表3。总结的生理变量。
4基于机器学习模型
4.1人工神经网络
人工神经网络(ANN)是一个著名的ML方法开发近年来分类和模式识别任务。ANN模型设计了基于生物神经的功能结构。网络互联层由神经元处理大型数据集的信息产生输出数据进行分类。安一个基本由一个输入层、隐藏层和输出层。数据网络的输入层。发展的模型,每个变量作为输入神经元表示。这一信息传递给隐藏层神经元进行处理以生成输出。在驾驶行为估计模型中,输出层中的每个神经元代表一个特定类的驾驶行为,如不同的换道行为。神经元之间的连接在不同的层有特定的与之关联的权重,这是调整利润最小化错误。所有的神经元有一个偏差值除了输入层神经元。 In the output layer, the predicted probability of each class (each neuron) is produced. The final result is determined based on the class with the highest predicted probability. This predicted probability is determined based on the input variables, biases, and weight parameters, given by
在这里,Y表示预测的概率;w我的重量;b偏差值;x我,输入值;和f,激活函数。如前所述,换道行为估计,三个类是有区别的电感电容电阻测量,路,拼箱。
ANN-based方法的一个例子发展换道开发的预测模型莱昂纳特和Wanielik (2017)。预测是基于三个连续的阶段:打算执行一个车道改变(描述驾驶情况),准备的车道改变(描述行为),和车道改变策略本身(描述车辆机动)。三组变量,每个对应于三个阶段,定义。环境和头部变量中使用这个模型作为输入。环境变量被认为是速度,角速度,油门踏板激活,打破自我车辆的压力。头部跟踪变量,头部旋转绕垂直轴,横向运动,头部的信心值跟踪和相关变量选择。两个个体神经网络发达,分别为每个预测拼箱和电感电容电阻测量。车道改变之前,不同的时间跨度(显示最新的时间预测前巷变化)和不同的配置进行了分析评估模型的性能的影响。因此,时间跨度的2,4,8秒前巷和选择不同的配置变化预测。模型评估使用的个人和融合作为输入变量集。 The results show that the model performed better with the fused set in all the time spans. Based on the results, a time span of 2 s produced the highest prediction performance with an AUC value of 0.972 and a FAR of 0.018, followed by 4 s and 8 s.
开发一个模型只使用一个ANN模型可能不足以处理和解释某些信息产生最优估计。因此,解决这个问题的一个方法是把安与另一个ML算法或结合不同类型的安。Griesbach et al . (2021)用递归神经网络(RNN)结合长期短期记忆(LSTM)换道的预测。实现RNN LSTM细胞,研究的基础上苏et al。(2018)。测试环境输入变量的不同组合被选中作为输入变量;然而,方向盘角度和指标的组合产生最高的评价性能(AUC的0.93)。输出电感电容电阻测量和拼箱的行为。驾驶数据来自57个司机开车开的市区40公里的路线,德国,收集。基于该模型结果与结果的回声状态网络(ESN)模型来评估性能。根据结果,RNN-based模型执行更好的预测电感电容电阻测量的完美ACC 100%,而ACC的ESN模型是92%。然而,ESN模型产生更高的ACC预测拼箱。窦et al . (2016)结合支持向量机和安建立换道预测模型。这里,模型预测的可行性和适用性巷变化基于环境变量如速度差,车辆差距,和职位。通过比较该方法与贝叶斯分类器和决策树,该方法产生最佳性能的ACC合并事件non-merge为94%和78%。ADAS的集成开发模型中提到的未来发展或自驾车辆行为的评估可以为更好的驾驶提供新知识援助或者干预是必要的。这减少了事故司机和司机之间的智能车辆维护道路安全。的总结提出了贡献,其中包括模型类型,文学,和表演,给出表4。
表4。总结ANN-based换道模型的估计。
4.2隐马尔可夫模型
隐马尔科夫模型最初是用于语音识别和biological-sequence分析。一个嗯定义了一组未被注意的国家之间的随机过程(隐藏的)和一组观察到州(拉宾,1989)。嗯,在时间t依赖于状态的时间t−1。隐藏的状态和观察状态序列标记问= {问1,问2、…问l},O= {O1,O2、…Ol},分别为,l序列的长度。隐藏状态序列可以通过观察序列决定使用一个HMM参数。Baum-Welch和维特比算法用于应用HMM。Baum-Welch算法用于估计当HMM训练HMM参数。因此,HMM参数评估最适合一个给定的观察序列O和相应的隐藏状态序列问。最可能的隐藏状态序列可以确定使用维特比算法基于HMM的参数估计。当嗯申请换道行为预测所显示邓et al . (2018),观察变量是输入变量,而隐状态是不同的换道行为。因此,最可能的驾驶行为与环境变量序列估计距离和速度作为观测变量(邓et al ., 2018)。介绍了预滤器HMM和优化的研究中。预滤器的目的是量化的变量的观察序列。比较预测的性能是使用一个通用的和最佳的预滤器。ACC和博士值增加最优预滤器使用时,通常高于80%有一些例外。
Berndt et al。(2008)使用一个嗯连续承认换道的演习。100巷变化表现在训练数据集,是由50个拼箱和50个电感电容电阻测量。每个操作都是测试几个输入变量的组合,嗯语法,和被配置。合适的模型语法(左右马尔可夫链的状态数)和被维度开发使用方向盘角。因此,模型语法与不同数量的测试。每个模型语法还测试了不同数量的州的子模型。在这里,被三个州的九个州的语法模型选为最好的模型。此外,作者检查如果额外的输入变量结合方向盘角度提高了识别性能。最高的训练性能实现的方向盘速度,作为输入变量(观测变量)。结果显示性能的敏感性71%和74%的拼箱和电感电容电阻测量,分别。 As these models are widely applied in ADAS to ensure that driving safety is adhered, a recent study that focuses on this application is by元et al。(2018)。开发预测模型优化的自适应巡航系统评估前方的车辆。在这里,一个HMM-based模型来估计车辆的换道行为前的自我。输入变量使用自我车辆与前方车辆之间的距离,前面车辆的纵向速度,其横向速度。模型能够预测97%的最大ACC,笔直的道路为96%,弯曲的道路在一个时间窗口长度的4.5和3.5年代,分别。一个意图预测方法为自主开发的基于HMM的车辆预测驾驶员的换道意图刘et al。(2020)。目的是预测目标车辆的目的基于环境输入变量,如车辆速度、加速度、车道和车辆之间的偏移量。介绍了两种方法,即HMM训练与离散和连续变量(从目标车辆或目标和周围的车辆)。结果表明,预测模型的训练比离散变量与连续变量产生更高的ACC。此外,ACC模型训练使用变量时略高与目标车辆和车辆周围有一些例外,比如当预测时间更接近实际的意图。例如,ACC小于78%时只涉及目标场基于车辆发动的变量,虽然是当这两个变量被认为是80%。
通常,专注于研究贡献结合与其他毫升HMM方法/其他数学方法提高模型的预测和识别性能。此外,如果它无法模型某些信息,嗯需要使用另一个算法。嗯,其他的ML算法在模型中不同的角色。由高斯混合隐马尔可夫模型金et al。(2020)为自动车辆换道行为特征。高斯混合模型旨在提取变量值来描述换道行为,即一个概率密度函数是用来描述每个变量的值。然后,HMM用来开发一个隐藏的状态(换道行为)之间的关系和观察到的状态(输入变量)。总共9个环境输入变量被认为是组成的速度和距离周围的车辆。结果表明,ACC最高达到95.4%。邓和Soffker (2018)结合HMM和模糊逻辑(FL)建立换道预测模型基于安全水平。在这项研究中,一个场景的安全水平的车道改变定义用TTC和距离。使用这些变量作为输入,FL用于分类的安全水平的一个场景非常安全,安全的,危险的。HMM用来估计车道改变基于安全的现场使用环境变量。获得的ACC和高于80%的博士为不同换道行为。Klitzke et al。(2020)开发了一种新颖的方法基于嗯,分裂的层次聚类(本公司),包装(DTW)和动态时间确定高速公路车道变化。驾驶机动集群使用嗯和DHC成原始的驾驶行为。基于原始行为和模式定义,DTW被用来确认一个车道的变化。一个F10.9801分车道识别是观察到的变化。李et al。(2016)开发了一个基于嗯的换道意图识别方法和贝叶斯过滤器(BF)技术。嗯产生初步行为分类,然后用贝叶斯过滤器部分开发最终换道分类。模型的输入由转向角、侧向加速度、角速度从CAN总线。模型成功地识别电感电容电阻测量和拼箱行为ACC的93.5%和90.3%,这比只使用HMM。基于贡献分析,结果其他毫升方法/嗯嗯可以用作输入或额外的信息/其他方法训练有素,估计换道行为(金et al ., 2020;Klitzke et al ., 2020;李et al ., 2016 a)。其他方法也可以用来区分不同的驾驶场景/样式,然后使用HMM用来估计换道行为(邓和Soffker, 2018)。如前所述,这些模型发展成目前的公司该(一些模型已经被集成)有可能改善交通安全。的总结HMM-based模型提出了表5。
表5。总结HMM-based换道模型的估计。
4.3支持向量机
svm监督机器学习算法最初用于两类的分类找到一个最优超平面分离两类(数据点议会和Vapnik, 2004)。SVM支持线性和非线性可分的数据。在线性可分支持向量机的数据集的目的是找到最佳超平面位置,这样的分离两个类之间是最大化的。当数据是不可分割的线性、非线性支持向量机使用而不是通过核函数的应用程序,这种情况在大多数实际应用。换道行为预测模型是基于非线性数据超过两类。这里,输入转化为更高的维度使用核函数输入向量。这种多层次的分类通常是意识到使用one-against-all和one-against-one方法。
开发一个基于svm模型检测的换道意图Mandalia和萨吴奇(2005)。窗口大小的不同组合、重叠与非重叠和输入变量集评估分析结合导致最佳的分类性能。环境变量从驾驶中提取数据检测的意图。五套变量选择验证设置产生最佳的分类性能。在组1中,加速度、车道位置和航向。在设置2中,铅的重要性被认为是车距离,而集3考虑纵向和纬度的变量的影响。组4检查方向盘角的影响。最后,仅包括车道位置设置5 (Mandalia萨吴奇,2005年)。基于性能,设置5产生最好的分类结果在所有时间窗半圆形的表示。作者指定的模型具有良好的性能,即最高的ACC获得97.9% 1.2 - s的时间窗口。
类似于前面介绍ML-based模型,结合支持向量机与另一个ML算法是一种常见的方法来获得额外的信息和产生更好的性能。Izquierdo et al . (2017)结合安和SVM建立换道预测模型。两种类型的安(汽车回归神经网络(NARNN)和非线性前馈神经网络(FFNN)是用来预测车辆的轨迹(侧卧位),几秒钟前的自我。NARNN用于预测时间序列数据,而FFNN(安)的最简单的形式是用于输入和输出的映射。一个支持向量机用于预测巷的变化是否会发生。环境特征变量提取和换道轨迹预测的横向位置,横向速度和航向误差。NARNN使用相同的变量来预测一个输入(在这里,侧卧位),而FFNN使用任何变量作为输入来预测输出可以相同或不同的输入。支持向量机,安作为一个额外的变量的估计更好的分类巷的变化。从人工神经网络的预测,NARNN不会显示一种改进的预测与基线相比方法;然而,FFNN能够改善这种通过减少误差值。基于支持向量机的分类,它能够预测巷前3 s车道改变; however, no evaluation metric scores are provided here. Probabilities of a situation-based approach and an SVM-based movement approach are combined to predict LCR, LK, and LCL by威斯康星州et al。(2017)。类型的概率是基于当前交通状况预测可能的车道改变,而迁移型概率定义使用SVM基于车道的车辆运动。两个概率融合估计即将巷的变化。类型的方法考虑环境变量描述跨车辆的关系来分析当前的交通状况,虽然运动方法考虑车道的车辆运动相关的环境变量,如距离和速度。提出的方法是能够预测与召回电感电容电阻测量值0.93和拼箱回忆值为0.72。Kumar et al。(2013)结合支持向量机和贝叶斯过滤器(BF)建立换道意图预测模型。多类支持向量机用于轨迹的分类,属于三个不同的类,即电感电容电阻测量,路,拼箱。SVM输出作为输入arethen用于开发改进的贝叶斯滤波器预测结果。贝叶斯过滤器的目的是提供一个平滑作用减少,错过了检测与基于svm的结果。因此,比较之间的预测性能结合支持向量机和男朋友只模型和支持向量机。环境变量,如车道信息、速度和方向盘角被认为是作为输入支持向量机。结果显示平均精度增加从0.2857到0.7154在使用组合模型而不是单个支持向量机模型。得到相似的精度值时,模型训练和测试不同的车手组合数据,精度最高的为0.8235,证明它的鲁棒性。在表6,基于svm模型的总结。
表6。总结的换道估计基于svm模型。
5讨论
这个贡献的主要焦点是分析和比较不同换道行为识别和预测模型基于安,嗯,和支持向量机。每个提到ML-based方法有自己的优点和缺点,因此根据不同的因素有不同的表演。影响性能的一些因素包括模型的结构、ML的属性方法,输入变量类型、数据的数据大小和复杂性。的优点和缺点不同的方法在这一节中描述。对比不同的ML-based方法换道行为检测的功能,显示在驾驶场景,和表演表1。
5.1的优点和缺点
正如前面提到的,方法的利弊影响预测/识别性能。安的优点之一是能够处理多层次问题,支持向量机相比,性能随越来越多的类(梁et al ., 2007)。的贡献莱昂纳特和Wanielik (2017)显示了这个及其结合不同类型的信息的能力。在这里,不同的驾驶特性描述的开车阶段估计巷变化相结合。另一个优势,特别是深层神经网络,是能够自动提取功能。然而,安的主要缺点是其overfit倾向。增加隐层神经元的数量显示低性能由于过度拟合;因此,莱昂纳特和Wanielik (2017)有限的隐藏层神经元到三。相反,SVM具有某些优势安。例如,支持向量机没有overfit的倾向,通过选择一个超平面,最大限度地减少超平面之间的距离和最近的训练样本点(梁et al ., 2007)。为了避免过度拟合,窦et al。(2016)也安与SVM相结合。在回顾了论文(Kumar et al ., 2013生效),这个优势是能够准确地分类轨迹属于不同的类。另一个观察到的优点是能够将一个低维非线性分类问题转化为一个高维线性分类问题,输入数据从低维空间映射到高维空间换道行为。此外,训练SVM模型只需要一些训练样本在高维空间相比,安(梁et al ., 2007)。Mandalia和萨吴奇(2005)选择一个最优的数据表示支持向量机输入功能,这是具有挑战性的。而不是使用原始值,方差的特性对他人是用来解决这个问题,减少输入大小而提取的变化特性。然而,SVM具有某些缺陷。如上所述,Kumar et al。(2013),需要一个男朋友来提高支持向量机的性能。虽然作者状态,错误检测率主要由车道跟踪不准确,可能有理由支持向量机模型及其相关参数。一个可能的原因是发展的最优权重和内核函数是具有挑战性的应用支持向量机分别时。嗯的优点是它的随机属性,管理时间序列数据的能力(林et al ., 2014)(江和范,2015),并且能够处理时序模式识别(Meyer-Delius et al ., 2009)。这些好处使其可行的预测的驾驶行为,因为未来的驾驶行为被描述为随机和依赖于当前行为(江和范,2015)。然而,嗯有几个局限性所描述的邓和Soffker (2018),用不同的参数化模型所需不同的司机驾驶行为是个体生成精确的估计。因此,嗯泛化能力较差。HMM方法也不适合长期预测的隐状态前必须指定培训所观察到的邓和Soffker (2022)。刘et al。(2020)观察使用离散特征特性的限制相比,连续描述嗯,性能降低是由于信息损失。检查方法的主要缺点是,方法通常需要结合其他方法提高性能,这只会增加复杂性。
5.2总结和比较的结果
在表1基于机器学习方法的比较,估计换道行为的变量,提出了交通环境和贡献。安的方法相比是,CNN,嗯,支持向量机,DBN(动态贝叶斯网络)和RF-based方法。基于不同模型的比较,在本研究中讨论和演示表1,以下的结论进行了总结。表7。
1)环境变量影响最高开发基于机器学习模型估计的换道行为(中列出所有的贡献表1),其次是头/眼球追踪变量(莱昂纳特和Wanielik, 2017;邓et al ., 2020)和生理变量(Murphey et al ., 2015;王et al ., 2016)。眼球追踪和生理变量不显著贡献换道行为的预测和识别研究Doshi和Trivedi (2009)。邓et al . (2020)产生贫穷ACC和评估模型只使用眼球追踪变量值。如前所述,这是因为决策的理由主要是基于环境信息,用于描述自我周围车辆和车辆之间的关系。只有少量的贡献考虑生理变量的作用。
2)结合毫升的方法通常有更好的性能比使用单一方法本身。使用多个算法的目的是采用不同方法的优势,实现不同的任务不能通过使用单一的方法。在换道估计模型中,可以使用一个方法的输出作为另一个额外的信息输入预测行为。同时,一种方法可以用来识别驾驶模式,风格,和场景,然后使用另一种方法来估计换道行为。
3)评价换道行为模型的性能,常用指标贡献ACC,博士,精度,AUC, F1的分数。这些指标产生最精确的估计和实际行为之间的评价。然而,不同的指标不同程度的重视不同的类,这取决于分类问题。度规最好专注于每一个类应该选择的重要性评价换道行为分类。例如在一个不平衡的数据集,度量精度往往附加意义多数类多于少数类,很难在少数类显示良好的性能。这是已知的,以避免更合适的指标如F1得分。
4)结果的不同的贡献,不同方法的性能值差别并不是很大。例如,大多数模型往往具有良好的ACC和值高于80%的博士远较低的值。高AUC和F1的分数也实现了从0.8到0.98不等。
表7。比较不同模型之间的换道行为的预测和识别。
6结论
在这篇文章中,不同的ML-based方法的概述,即安,嗯,和支持向量机,提出了前馈预测和识别。选择这些方法,因为这些方法在文献中最发达的。换道行为被认为是在这个文学深度,因为变道时其安全意义。每种方法都有其优点和缺点,根据规范的方法,行为类型和输入变量的模型。因此,比较不同方法之间的换道预测基于不同的输入变量,模型的结构,交通环境和业绩评估已经开发和比较。这允许读者选择适当的方法从现有的方法来开发新的ML-based模式。现有模型的表现也给予综述,有助于选择适当的方法在开发的新车型。
的换道行为视为不同贡献构成的电感电容电阻测量,路,拼箱。环境变量主要是用作输入模型中这些变量提供自我/周围车辆的状态和操作信息变换车道影响司机的决定。眼球追踪/头部还用于一些方法来估计一个车道的变化。基于不同的贡献,可以得出结论,在一般情况下,眼球追踪数据不明显有助于提供更好的估计换道行为,除了少数选择。虽然生理变量中使用很少的贡献;结果基于将这些变量在将来的研究中显示他们的潜力。模型的性能值进行相同的范围内;因此,它不能得出结论说,一个方法优于另一种。同时,基于组合方法的性能比使用一个方法本身。然而,仍然存在局限性的方法进行了讨论。 For example, ANN-based models require a higher volume of data to train effectively, while the SVM tends to underperform when there are a large number of classes. On the other hand, the HMM-based model is not generalizable and requires a number of hidden states to be selected prior to training, limiting the performance of the model. Therefore, future research should develop ways to effectively tackle these problems.
7持续发展和识别的未来趋势
改善ML-based限制桥梁模型是必要的。所需的局限性和改进在未来在这一节中描述。
安:安往往需要大量的数据能够有效地学习和准确识别模式。因此,它需要更长的时间达到一个最优的输出。另一种方法相结合,安在某些情况下可以解决这个问题;然而,这是耗时和成本计算。因此,需要开发一个方法提高计算负载和生产最优网络在同一时间。
嗯:模型与不同的参数需要不同的驱动程序,使其不费力而可概括的。因此,一个方法定义模型最优参数与不同的驾驶可概括的数据集是必要的。此外,如前所述,嗯需要hyperparameters,如隐状态的数量定义培训前,使它不适合长期预测。因此,一个有效的方法来处理这应该是未来的研究。
支持向量机:支持向量机显示低性能当类的数量增加或输入变量的数量是多的样品。虽然现有文献合并另一个ML-based的方法来解决这个问题,增加的复杂性和计算时间。因此,未来的研究应该找到一个有效的方法来处理这个缺点。
此外,未来研究处理为换道行为的预测和识别开发模型可以使用这个贡献作为指导来选择最合适的模型/组合模型和驾驶特性(作为输入变量)为一种改进的性能,从而使现有ADAS的改进来提高驾驶行为预测,避免交通事故。
作者的贡献
RD和DS生成审查的概念,和DS的监测研究。RD参与内容的研究和分析细节和写了最初的手稿,而DS不断修正它。两位作者进行审核和批准的最终版本的手稿。两位作者以同样的方式导致了手稿和批准提交的版本。
资金
支持开放获取出版基金Duisburg-Essen大学的。本研究在一定程度上是由德国Akademischer Austauschdienst(德意志)奖学金收到的第一作者为她的博士研究动力学和控制的椅子,Duisburg-Essen大学德国。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或那些出版商编辑和评论员。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
Berndt, H。,Emmert, J., and Dietmayer, K. (2008). “Continuous driver intention recognition with hidden markov models,” in2008年11日国际IEEE会议在智能交通系统中,中国,北京,2008年10月12 - 15(IEEE),1189 - 1194。doi: 10.1109 / ITSC.2008.4732630
邓,Q。,和Söffker, D. (2022). A review of hmm-based approaches of driving behaviors recognition and prediction.IEEE反式。聪明的阿明费。7,21-31。doi: 10.1109 / TIV.2021.3065933
邓,Q。,和Söffker, D. (2018). “Improved driving behaviors prediction based on fuzzy logic-hidden markov model (fl-hmm),” in2018年IEEE智能车辆研讨会(IV),常熟,中国,2018年6月26 - 30日(IEEE)。doi: 10.1109 / IVS.2018.8500533
邓,Q。,Wang, J., Hillebrand, K., Benjamin, C. R., and Söffker, D. (2020). Prediction performance of lane changing behaviors: A study of combining environmental and eye-tracking data in a driving simulator.IEEE反式。聪明的透明。系统。21日,3561 - 3570。doi: 10.1109 / TITS.2019.2937287
邓,Q。,Wang, J., and Söffker, D. (2018). “Prediction of human driver behaviors based on an improved hmm approach,” in2018年IEEE智能车辆研讨会(IV),常熟,中国,2018年6月26 - 30日(IEEE)。doi: 10.1109 / IVS.2018.8500717
Diaz-Alvarez,。克拉维诺,M。吉梅内斯,F。,T一个l一个vera, E., and Serradilla, F. (2018). Modelling the human lane-change execution behaviour through multilayer perceptrons and convolutional neural networks.透明。F交通Psychol >部分。Behav。56岁,134 - 148。doi: 10.1016 / j.trf.2018.04.004
Doshi,。,和Tr我vedi, M. M. (2009). On the roles of eye gaze and head dynamics in predicting driver’s intent to change lanes.IEEE反式。聪明的透明。系统。10日,453 - 462。doi: 10.1109 / TITS.2009.2026675
窦,Y。,Y一个n,F。冯,d . (2016)。“车道改变预测在公路巷滴使用支持向量机和人工神经网络分类器,”2016年IEEE国际会议上先进的智能机电一体化(AIM),加拿大的班芙,AB,2016年7月12 - 15(IEEE)。doi: 10.1109 / AIM.2016.7576883
Griesbach, K。,Beggiato, M., and Hoffmann, K. H. (2021). Lane change prediction with an echo state network and recurrent neural network in the urban area.IEEE反式。聪明的透明。系统。1,6473 - 6479。doi: 10.1109 / TITS.2021.3058035
顾,X。,Yu, J., Han, Y., Han, M., and Wei, L. (2019). “Vehicle lane change decision model based on random forest,” in2019年IEEE国际会议,智能计算和系统(ICPICS),沈阳,中国,2019年7月12 - 14(IEEE),115 - 120。doi: 10.1109 / ICPICS47731.2019.8942520
汉族,T。,Jing, J., and Özgüner, Ã. (2019). “Driving intention recognition and lane change prediction on the highway,” in2019年IEEE智能车辆研讨会(IV),法国巴黎,2019年6月09-12(IEEE),957 - 962。doi: 10.1109 / IVS.2019.8813987
Izquierdo, R。Parra,我。,Muñoz-Bulnes, J., Fernández-Llorca, D., and Sotelo, M. A. (2017). “Vehicle trajectory and lane change prediction using ann and svm classifiers,” in2017年IEEE 20国际会议上智能交通系统(ITSC),日本横滨,2017年10月16 - 19(IEEE)。doi: 10.1109 / ITSC.2017.8317838
Izquierdo, R。,问uintanar, A., Parra, I., Fernández-Llorca, D., and Sotelo, M. A. (2019). “Experimental validation of lane-change intention prediction methodologies based on cnn and lstm,” in2019年IEEE智能交通系统会议(ITSC),奥克兰,新西兰,2019年10月的观众(IEEE),3657 - 3662。doi: 10.1109 / ITSC.2019.8917331
江,B。,和Fe我,Y。(2015). “Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks,” in2015年IEEE智能车辆研讨会(IV),汉城,韩国(南),2015年7月2015年6月28日- 01(IEEE),1082 - 1087。
金,H。,Duan, C., Liu, Y., and Lu, P. (2020). Gauss mixture hidden markov model to characterise and model discretionary lane-change behaviours for autonomous vehicles.专业智能。透明。系统。14日,401 - 411。doi: 10.1049 / iet-its.2019.0446
Kang h . b . (2013)。”司机和驾驶行为监测的各种方法:复习一下,”2013年IEEE计算机视觉国际会议研讨会,悉尼新南威尔士、澳大利亚,2013年12月02-08(IEEE),616 - 623。doi: 10.1109 / ICCVW.2013.85
卡斯帕,D。,Weidl G。,D一个ng, T., Breuel, G., Tamke, A., and Rosenstiel, W. (2011). “Object-oriented bayesian networks for detection of lane change maneuvers,” in2011年IEEE智能车辆研讨会(IV),德国巴登巴登,2011年6月05-09(IEEE),673 - 678。doi: 10.1109 / IVS.2011.5940468
Klitzke, L。科赫,C。,和Köster, F. (2020). “Identification of lane-change maneuvers in real-world drivings with hidden markov model and dynamic time warping,” in2020年IEEE 23日国际会议上智能交通系统(ITSC),罗兹,希腊,2020年9月20 - 23日(IEEE)。doi: 10.1109 / ITSC45102.2020.9294481
Koenig,。,Rehder, T., and Hohmann, S. (2017). “Exact inference and learning in hybrid bayesian networks for lane change intention classification,” in2017年IEEE智能车辆研讨会(IV),美国洛杉矶CA,2017年6月11 - 14号(IEEE),1535 - 1540。doi: 10.1109 / IVS.2017.7995927
Kumar P。,Perroll一个z, M., Lefèvre, S., and Laugier, C. (2013). “Learning-based approach for online lane change intention prediction,” in2013年IEEE智能车辆研讨会(IV),澳大利亚的昆士兰黄金海岸,2013年6月23日(IEEE),797 - 802。doi: 10.1109 / IVS.2013.6629564
莱昂纳特,V。,和Wanielik, G. (2017). “Neural network for lane change prediction assessing driving situation, driver behavior and vehicle movement,” in2017年IEEE 20国际会议上智能交通系统(ITSC),日本横滨,2017年10月16 - 19(IEEE)。doi: 10.1109 / ITSC.2017.8317832
莱昂纳特,V。,和Wanielik, G. (2018). “Recognition of lane change intentions fusing features of driving situation, driver behavior, and vehicle movement by means of neural networks,” in2017年汽车应用先进微系统。编辑c . Zachaus b·穆勒和g·迈耶(Cham:施普林格国际出版),59 - 69。
李,K。,王,X。,Xu, Y., and Wang, J. (2016a). Lane changing intention recognition based on speech recognition models.透明。>部分C紧急情况。抛光工艺。爱思唯尔。69年,497 - 514。doi: 10.1016 / j.trc.2015.11.007
李X。,Roett我ng, M., and Wang, W. (2016b). “Bayesian network-based identification of driver lane-changing intents using eye tracking and vehicle-based data,” in2016先进车辆工程会议(用)(伦敦:泰勒和弗朗西斯集团)。
李米。,Wang, W., Ranjitkar, P., and Chen, T. (2017). Identifying drunk driving behavior through a support vector machine model based on particle swarm algorithm.放置工作。Eng。9日,168781401770415。doi: 10.1177 / 1687814017704154
李,Y。,王,F。柯,H。,Wang, L., and Xu, C. (2019). A driver’s physiology sensor-based driving risk prediction method for lane-changing process using hidden markov model.传感器19日,2670年。doi: 10.3390 / s19122670
梁,Y。,Reyes, M. L., and Lee, J. D. (2007). Real-time detection of driver cognitive distraction using support vector machines.IEEE反式。聪明的透明。系统。8,340 - 350。doi: 10.1109 / tits.2007.895298
Liebner, M。,Ruhhammer, C., Klanner, F., and Stiller, C. (2013). “Generic driver intent inference based on parametric models,” in16日国际IEEE会议在智能交通系统(ITSC 2013),荷兰海牙,2013年10月06-09(IEEE),268 - 275。doi: 10.1109 / ITSC.2013.6728244
林,N。,Zong, C., Tomizuka, M., Song, P., Zhang, Z., and Li, G. (2014). An overview on study of identification of driver behavior characteristics for automotive control.数学。Eng问题。2014年,1 - 15。doi: 10.1155 / 2014/569109
刘,S。,Zheng, K., Zhao, L., and Fan, P. (2020). A driving intention prediction method based on hidden markov model for autonomous driving.第一版。Commun。157年,143 - 149。doi: 10.1016 / j.comcom.2020.04.021
洛佩兹,V。,费尔南德斯。加西亚,S。Palade, V。,和Herrera, F. (2013). An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics.正,科学。250年,113 - 141。doi: 10.1016 / j.ins.2013.07.007
Mandalia, h . M。,和Salvucci, M. D. D. (2005). Using support vector machines for lane-change detection.Proc,哼。人体工程学Soc的因素。为基础。见面。49岁,1965 - 1969。doi: 10.1177 / 154193120504902217
马丁内斯,C。Heucke, M。王,F。Y。,高,B。,和C一个o,D。(2018). Driving style recognition for intelligent vehicle control and advanced driver assistance: A survey.IEEE反式。聪明的透明。系统。19日,666 - 676。doi: 10.1109 / TITS.2017.2706978
考尔,J。,Tr我vedi, M., Wipf, D., and Rao, B. (2005). “Lane change intent analysis using robust operators and sparse bayesian learning,” in2005年IEEE计算机学会计算机视觉和模式识别会议(CVPR 05)——车间,圣地亚哥,加州,美国,2005年9月研讨会(IEEE)。doi: 10.1109 / CVPR.2005.482
Meyer-Delius D。Plagemann C。,和Burgard, W. (2009). “Probabilistic situation recognition for vehicular traffic scenarios,” in2009年IEEE机器人与自动化国际会议上,神户,日本,2009年5月12 - 17(IEEE),459 - 464。doi: 10.1109 / ROBOT.2009.5152838
Miyajima C。,和T一个keda, K. (2016). Driver-behavior modeling using on-road driving data: A new application for behavior signal processing.IEEE信号的过程。玛格。33岁的程度。doi: 10.1109 / MSP.2016.2602377
便宜,W。马伦,K。,和Engelbrecht, A. (2018). “Filter versus wrapper feature selection based on problem landscape features,” in《遗传与进化计算会议的同伴(纽约,纽约,美国:计算机协会),1489 - 1496。doi: 10.1145/3205651.3208305
Murphey, y L。,Kochhar, D. S., Watta, P., Wang, X., and Wang, T. (2015). Driver lane change prediction using physiological measures.SAE Int。j .透明。Saf。3,118 - 125。doi: 10.4271 / 2015-01-1403
Schlechtriemen, J。Wirthmueller F。威德尔,。,Breuel, G., and Kuhnert, K. D. (2015). “When will it change the lane? A probabilistic regression approach for rarely occurring events,” in2015年IEEE智能车辆研讨会(IV),汉城,韩国(南),2015年7月2015年6月28日- 01(IEEE),1373 - 1379。doi: 10.1109 / IVS.2015.7225907
Sharath m . N。,和Mehran, B. (2021). A literature review of performance metrics of automated driving systems for on-road vehicles.前面。未来的透明。2、759125。doi: 10.3389 / ffutr.2021.759125
Statistisches Bundesamt (2020)。司机相关perdonal损伤在道路交通事故的原因。勾选:https://www.destatis.de/EN/Themes/Society-Environment/Traffic-Accidents/_node.html。
苏,S。,Mülling, K., Dolan, J., Palanisamy, P., and Mudalige, P. (2018). “Learning vehicle cooperative lane-changing behavior from observed trajectories in the ngsim dataset,” in学报IEEE智能车辆研讨会,中国苏州,,2018年6月26日- 6月30日,2018年(IEEE)。
可以喝,r S。Verma S。,和Tomar, G. S. (2011). “Svm based trajectory predictions of lane changing vehicles,” in2011年国际会议上计算情报和通信网络,瓜廖尔、印度,2011年10月07-09(IEEE),716 - 721。doi: 10.1109 / CICN.2011.156
Tran D。,Sheng, W., Liu, L., and Liu, M. (2015). “A hidden markov model based driver intention prediction system,” in2015年IEEE国际会议网络技术在自动化、控制和智能系统(网络),沈阳,中国,2015年6月08-12(IEEE),115 - 120。
Ulbrich, S。,和Maurer, M. (2015). “Situation assessment in tactical lane change behavior planning for automated vehicles,” in2015年IEEE 18国际会议在智能交通系统中,大加那利岛,西班牙,2015年9月15日(IEEE),975 - 981。doi: 10.1109 / ITSC.2015.163
Vetturi D。,T我bon我,M., Maternini, G., and Bonera, M. (2020). Use of eye tracking device to evaluate the driver’s behaviour and the infrastructures quality in relation to road safety.透明。Procedia》45岁,587 - 595。doi: 10.1016 / j.trpro.2020.03.053
王,F。,Zhang, J., and Li, S. (2019). “Recognition of dangerous driving behaviors based on support vector machine regression,” in2019中国控制会议(CCC),广州,中国,2019年7月的观众(IEEE),7774年。doi: 10.23919 / ChiCC.2019.8865491
王,X。,Murphey, y L。,和Kochhar, D. S. (2016). “Mts-deepnet for lane change prediction,” in2016年国际神经网络(IJCNN)联合会议,加拿大的温哥华BC,2016年7月24-29(IEEE),4571 - 4578。doi: 10.1109 / IJCNN.2016.7727799
Weidl G。,Madsen, A. L., Tereshchenko, V., Zhang, W., Wang, S., and Kasper, D. (2016). “Situation awareness and early recognition of traffic maneuvers,” inEUROSIM国会建模和仿真(芬兰奥卢:在)。
威斯康星州,C。,N一个ttermann, T., Glander, K. H., Hass, C., and Bertram, T. (2017). Lane change prediction by combining movement and situation based probabilities.IFAC-PapersOnLine50岁,3554 - 3559。doi: 10.1016 / j.ifacol.2017.08.960
卫生组织(2018)。道路安全全球现状报告》2018年。勾选:https://www.who.int/publications/i/item/who - nmh nvi - 18.20。
熊,X。,Chen, L., and Liang, J. (2018). A new framework of vehicle collision prediction by combining svm and hmm.IEEE反式。聪明的透明。系统。19日,699 - 710。doi: 10.1109 / TITS.2017.2699191
你,F。,李,Y。,Schroeter, R., Friedrich, J., and Wang, J. (2017).使用眼球追踪帮助车道设计hud-based安全指标的变化。纽约,纽约,美国:计算机协会。doi: 10.1145/3131726.3131757
元,W。李,Z。,和Wang, C. (2018). Lane-change prediction method for adaptive cruise control system with hidden markov model.放置工作。Eng。10日,168781401880293。doi: 10.1177 / 1687814018802932
关键词:先进驾驶辅助系统、机器学习方法、驾驶行为预测,驾驶行为识别,车道改变
引用:David R和Soffker D(2023)换道行为的审查基于机器学习模型预测和识别。前面。未来的透明。4:950429。doi: 10.3389 / ffutr.2023.950429
收到:2022年5月22日;接受:09年1月2023;
发表:2023年1月24日。
编辑:
Leise凯利De Oliveira巴西米纳斯吉拉斯联邦大学的,版权大卫和Soffker©2023。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:露丝大卫,ruth.david@uni-due.de