基于自然驾驶数据的自动驾驶系统行人友好型行为选择模型与行为画像研究

《Future Transportation》：Autonomous Driving System Behavior Profiles for Pedestrian-Considerate Behavior Selection in Mixed-Traffic Environments: Empirical Calibration and Evaluation Using Naturalistic Driving Data

　　

摘要

随着自动驾驶系统（ADS）的广泛普及，混合交通环境将包含自动驾驶车辆、人工驾驶车辆和行人。ADS必须选择能够反映与穿越机会相关的行人考量的行为，这区别于物理碰撞规避，同时需平衡交通效率并允许在候选行为选择中体现ADS特有的倾向性。本研究利用自然驾驶数据，开发了一种行人友好型行为选择模型和ADS行为画像（AB Profile）。该模型基于行人考量、交通效率和车辆减速成本，在通过、减速、让行和继续行驶之间进行选择。行人意图估计（PIE）数据集中的交互事件被划分为校准数据集和评估数据集。标准AB Profile经过实证校准，随后使用未用于校准或参数选择的数据进行评估。校准阶段取得了0.761的平衡准确率、0.675的宏F1和0.750的准确率；评估阶段取得0.628、0.630和0.705，其中31/44个事件与行为参考相匹配。对于"穿越中"（行人正在穿越）场景，平衡准确率和准确率分别为0.804和0.800；对于"等待中"（行人在路边等待）场景，分别为0.511和0.579。消融分析表明各成本分量具有不同的作用。与标准AB Profile相比，激进型AB Profile减少了延误和减速，而温和型AB Profile则增加了两者。敏感性分析阐明了画像参数的作用。AB Profile塑造了ADS在特定情境下候选行为选择中的特有倾向性，而非规定固定行为。