Trọng tâm của công trình này là về hành vi lái xe của con người trong giao thông đường bộ. Hai khía cạnh của nó được đề cập, dự đoán về nó, bao gồm xác định các yếu tố ảnh hưởng có liên quan, cũng như tạo ra hành vi cho xe tự hành. Dự đoán hành vi dựa trên một nghiên cứu thực địa trong đó những người tham gia lái một chiếc xe đo lường qua giao thông nội thành. Sử dụng các quỹ đạo đã lái và các đặc điểm phức tạp của bản ghi lidar để mô tả môi trường xung quanh tại giao lộ, giao thông tại đó và đường lái xe được xác định. Hành vi lái xe được đặc trưng bởi các đặc điểm khác. Dựa trên các đặc điểm phức tạp, các mô hình hồi quy được đào tạo để dự đoán các đặc điểm hành vi. Đối với điều đó, hồi quy tuyến tính, rừng ngẫu nhiên và máy tăng cường độ dốc được sử dụng. Các tập hợp đặc điểm phức tạp khác nhau, bao gồm cả những tập hợp được giảm bớt với sự trợ giúp của bộ mã hóa tự động, được sử dụng để dự đoán. Kết quả cho thấy hành vi lái xe có thể được dự đoán một cách đáng tin cậy. Tuy nhiên, khi sử dụng các tập hợp đặc điểm phức tạp chỉ có một vài đặc điểm, hiệu suất dự đoán bị giảm. Để có được điểm phức tạp phù hợp với nhận thức của con người về sự phức tạp, một nghiên cứu trực tuyến sử dụng các video về cách tiếp cận giao lộ đã được tiến hành. Trong các so sánh theo cặp, những người tham gia được yêu cầu xác định tình huống phức tạp hơn. Từ dữ liệu đó, điểm phức tạp cho các giao lộ được đưa vào nghiên cứu được tính toán. Một số phương pháp được sử dụng để chỉ định các điểm này cho các lần chạy của nghiên cứu thực địa ban đầu.

Abstract:

The focus of this work is on human driving behavior in road traffic. Two aspects of it are covered, the prediction of it, including the identification of relevant influencing factors, as well as the behavior generation for autonomous vehicles. The behavior prediction is based on a field study during which participants drove a measurement vehicle through inner-city traffic. Using the driven trajectories and lidar recordings complexity features to describe the surroundings at the intersection, the traffic there and the driving path are defined. The driving behavior is characterized by further features. Based on the complexity features regression models are trained to predict the behavior features. For that, linear regression, random forest and gradient boosting machine are utilized. Different complexity feature sets, including ones that are reduced with the help of an autoencoder, are used for prediction. The results show that the driving behavior can be predicted reliably. However, when using complexity feature sets with only few features the prediction performance is reduced. In order to obtain a complexity score that is in line with human perception of complexity, an online study using videos of approaches to intersections was conducted. In pairwise comparisons participants were asked to identify the more complex situation. From that data complexity scores for the intersection passes included in the study are calculated. Several methods are used to assign these scores to the runs of the original field study. Behavior regression models are trained using these assigned complexity scores. The results show that behavior prediction with the complexity scores is possible, however, most variants require to also consider the turning direction as a second feature. The behavior generation for decision-making at T-intersections is based on a discrete event system (DES). For it, several features are used to define events that describe the status of the decision-making process at the intersection. The events trigger the transitions between the states of the DES. All states are associated with either offensive or defensive driving behavior, which is implemented using the intelligent driver model. The algorithm is validated with a simulation framework. Using a generic map and several real maps, the decision-making model is simulated 14400 times while interacting wi