核心概念
運転状況を考慮することで、個々の運転者の運転スタイルに合わせた適応が可能になる。
要約
本研究では、運転状況を考慮した運転スタイルの適応手法を提案している。
視覚特徴エンコーダを使って運転状況を表現し、それに基づいて運転行動を予測する。
無監督クラスタリングを用いて運転状況を特定のクラスタに分類し、状況に応じた運転行動モデルを構築する。
状況クラスタを利用することで、特定の状況での運転スタイルの制御が可能になる。
提案手法は、静的な運転スタイルモデルよりも優れた性能を示し、妥当な状況クラスタを形成できることが実験で示された。
自社データでプリトレーニングした特徴エンコーダが最も良い性能を発揮したが、他のデータソースでプリトレーニングした特徴エンコーダでも、特定の状況に特化したクラスタを形成できることが分かった。
状況依存の統計モデルは、連続的なデータストリームから順次学習できるため、逐次的な運転スタイル適応に適している。一方、MLPベースのモデルは、catastrophic forgettingの問題に直面する。
統計
運転者の車線中央からの距離は、平均0.0806 ± 0.0014 mの誤差で予測できる。
田園地域の運転状況では、平均0.0923 ± 0.0022 mの誤差で予測できる。
引用
"運転状況を完全に取り入れることで、エージェントの能力と与えられた状況の整合性が高まり、信頼性が増す。"
"個人の運転状況への反応は、運転スタイルの重要な側面を構成する。"