Это исследование ИИ представляет FollowNet обширный набор данных для моделирования поведения автомобилей при движении впереди

FollowNet обширный набор данных для моделирования поведения автомобилей при движении впереди, представленный исследованием ИИ

Следование за другим транспортным средством – наиболее распространенное и основное действие водителя. Безопасное следование за другими автомобилями снижает количество аварий и делает движение более предсказуемым. Когда водители следуют за другими транспортными средствами на дороге, соответствующая модель следования автомобиля представляет это поведение математически или вычислительно.

Наличие реальных данных о движении автомобилей вместе с развитием машинного обучения существенно способствовали развитию моделей, основанных на данных, для следования за автомобилями за последнее десятилетие. Модели, которые используют данные для следования за автомобилем, включают нейронные сети, рекуррентные нейронные сети и обучение с подкреплением. Однако существуют несколько ограничений в текущем наборе исследований, а именно:

• Во-первых, модели следования за автомобилем пока еще недостаточно оцениваются из-за отсутствия стандартных форматов данных. Несмотря на наличие общедоступных наборов данных о движении, таких как NGSIM и HighD, сложно сравнить производительность новых предложенных моделей с существующими из-за отсутствия стандартных форматов данных и критериев оценки моделей следования за автомобилем.
• Во-вторых, ограниченные наборы данных в текущих исследованиях не позволяют точно представить поведение следования за автомобилями при смешанном потоке транспорта. Моделирование следования за автомобилем с помощью небольших наборов данных, не учитывающих автономные транспортные средства, было главным акцентом предыдущих исследований, что происходит в то время, когда на дороге действуют как водитель, так и автономные автомобили.

Чтобы решить эти проблемы и создать стандартный набор данных, Гонконгский университет науки и технологии, Провинциальная ключевая лаборатория по интегрированной связи Гуандунской провинции, Тунцзи и Университет Вашингтона выпустили стандартный набор данных «FollowNet». Они использовали одинаковые критерии для извлечения событий следования за автомобилем из пяти общедоступных наборов данных для установления эталона. Исследователи выполнили и оценили пять базовых моделей следования за автомобилем внутри данного эталона, охватывающих как традиционные, так и модели, основанные на данных. Они установили первый стандарт для такого поведения, используя унифицированные форматы данных для упрощения создания моделей следования за автомобилем. Хотя сложно обрабатывать различные структуры данных и рамки данных из разных наборов данных, их стандартизированный эталон следования за автомобилем учитывает это.

• Учите вероятность в компьютерных науках с Стэнфордским университетом БЕСПЛАТНО
• Роль метаданных в управлении данными
• Данные ведущейся генеративной искусственной интеллекта Преимущества для данных и аналитики

Две традиционные и три модели следования за автомобилем на основе данных – GHR, IDM, NN, LSTM и DDPG – обучаются и оцениваются с использованием эталона. Пять популярных общедоступных наборов данных о движении – HgihD53, Next Generation Simulation (NGSIM)54, Safety Pilot Model Deployment (SPMD)55, Waymo56 и Lyf57 – включают события следования за автомобилем, которые составляют предложенный эталон. Исследователи рассматривают несколько наборов данных для выявления закономерностей поведения следования за автомобилями и основной статистической информации. Результаты показывают использование одинаковых метрик для оценки производительности базовых моделей. В частности, наборы данных Waymo и Lyf показывают, что события следования за автомобилем происходят в ситуациях смешанного движения. Исследователи не включили в события с более чем 90% статической длительностью.

Столкновения все равно возможны, даже если модели, основанные на данных, достигают более низкого значения MSE пространственного расстояния, чем классические модели. Желательно разрабатывать модели следования за автомобилем с нулевым уровнем столкновений и меньшими ошибками пространственного расстояния. Было бы полезно включить возможности избежания столкновений, чтобы сделать модели, основанные на данных, более практичными и безопасными для использования в реальном мире. Предлагается предполагать, что все автомобили проявляют согласованные и сходные паттерны поведения в предложенном эталоне. Однако в реальности привычки вождения могут существенно отличаться в зависимости от водителя, автомобиля и условий движения. В результате создание адаптивных алгоритмов и репрезентативных наборов данных, охватывающих различные стили вождения, поведения и ситуации на дороге, является важным условием включения гетерогенности вождения в модели следования за автомобилем.

Исследователи предлагают, чтобы будущие наборы данных включали дополнительные функции для дальнейшего улучшения производительности и реалистичности моделей следования за автомобилем. Например, более полную картину дорожной среды можно получить, добавив данные о светофорах и дорожных условиях. Алгоритмы также могут учитывать сложные взаимосвязи и предоставлять лучшие прогнозы, если они интегрируют данные о близлежащих транспортных средствах и их действиях. Будущие наборы данных смогут более точно отражать реальные сценарии движения с использованием этих дополнительных источников данных, что позволит создавать как надежные, так и эффективные алгоритмы следования за автомобилем.