Método de predicción personalizada de la trayectoria del vehículo basado en la clasificación del estilo de conducción

Área de la Ciencia:

• Sistemas de transporte inteligentes
• Aprendizaje automático en ingeniería automotriz
• Análisis del comportamiento del conductor

Sus antecedentes:

• La predicción precisa de la trayectoria del vehículo es crucial para la seguridad de la conducción y los sistemas de prevención de colisiones.
• Los métodos existentes a menudo pasan por alto el impacto significativo de los comportamientos específicos de cada conductor en los patrones de movimiento del vehículo.
• La personalización en los modelos de predicción de trayectoria es necesaria para tener en cuenta los diversos estilos de conducción y mejorar la aplicabilidad en el mundo real.

Objetivo del estudio:

• Proponer un nuevo método personalizado de predicción de la trayectoria del vehículo (DS-TCTM) que integre la clasificación del estilo de conducción.
• Mejorar la precisión y fiabilidad de la predicción de la trayectoria del vehículo considerando los comportamientos específicos del conductor.
• Proporcionar una base para los sistemas avanzados de asistencia al conductor (ADAS) y las tecnologías de conducción autónoma.

Principales métodos:

• Las características del estilo de conducción se extrajeron utilizando la tasa de cambio de aceleración y el tiempo promedio de avance.
• La densidad de flujo de tráfico se clasificó utilizando el algoritmo K-Means ++, integrado con un modelo de mezcla de Gauss mejorado por el vecino más cercano (K-GMM) para categorizar a los conductores en tres estilos.
• Una arquitectura de red de predicción de trayectoria personalizada de varios niveles (TCTM) incorporó los estilos de conducción identificados para la predicción.

Principales resultados:

• El modelo DS-TCTM logró un error cuadrado medio de raíz (RMSE) y una probabilidad logarítmica negativa (NLL) por debajo de 4,46 m y 3,89 m, respectivamente.
• El modelo demostró una reducción del 35,8% en los errores de predicción en comparación con los métodos de referencia.
• Se observaron mejoras significativas de precisión en los escenarios de predicción de trayectoria a largo plazo, con un rendimiento óptimo después de una extensa sintonización de hiperparámetros.

Conclusiones:

• El método DS-TCTM caracteriza eficazmente la influencia de los estilos de conducción en los patrones de trayectoria del vehículo.
• La predicción de trayectoria personalizada mejora significativamente la precisión de las previsiones, ofreciendo datos críticos para los sistemas de advertencia de colisión de vehículos.
• El estudio destaca la importancia de incorporar comportamientos específicos del conductor para una predicción robusta y precisa del movimiento del vehículo.