基于一個基本的“人為”原則描述駕駛行為：將風險控制在閾值以下

來自TU Delft的研究人員現(xiàn)在已經(jīng)開發(fā)出一種新模型，該模型基于一個基本的“人為”原則描述駕駛行為：將風險控制在閾值以下。該模型可以在各種駕駛?cè)蝿罩袦蚀_預測人的行為。隨著時間的流逝，該模型可以用于智能汽車中，從而使它們的感覺不再那么“機器人化”。由博士候選人Sarvesh Kolekar及其主管Joost de Winter和David Abbink進行的研究將于2020年9月29日星期二在《自然通訊》上發(fā)表。

通常使用預測最佳路徑的模型來描述駕駛行為。但這不是人們實際駕駛的方式。認知機器人學系的研究員Sarvesh Kolekar說：“您并不總是使自己的駕駛行為適應一條最佳道路?！薄袄纾藗儾粫谲嚨乐虚g連續(xù)行駛：只要他們在可接受的車道限制內(nèi)，就可以了?！?/p>

預測最佳路徑的模型不僅在研究中很流行，而且在車輛應用中也很流行。``目前的智能汽車駕駛非常整齊。他們不斷地尋找最安全的路徑：即以適當速度的一條路徑。這就導致了“機器人式”的駕駛風格。為了更好地理解人類駕駛行為，我們試圖開發(fā)一種新模型，將人類危險閾值作為基本原理。

為了掌握這一概念，Kolekar引入了所謂的駕駛員風險場（DRF）。這是汽車周圍不斷變化的二維場，它指示駕駛員認為在每個點處的風險有多高。Kolekar在先前的研究中設計了這些風險評估。然后在DRF中考慮所討論風險后果的嚴重性。例如，在道路邊界的一側(cè)有懸崖比放草要危險得多。``DRF的靈感來自心理學的概念，該概念是很久以前（由Gibson和Crooks于1938年提出）的。這些作者聲稱，汽車駕駛員“感覺”了他們周圍的風險領域，并根據(jù)這些看法進行了交通操作。”Kolekar設法將這一理論轉(zhuǎn)化為計算機算法。

然后，Kolekar在七個場景中對模型進行了測試，包括超車和避免障礙。``我們將模型所做的預測與文獻中有關人類駕駛行為的實驗數(shù)據(jù)進行了比較。幸運的是，已經(jīng)有很多信息可用。事實證明，我們的模型僅需要少量數(shù)據(jù)即可“獲取”潛在的人類駕駛行為，甚至可以預測在以前看不見的情況下的合理人類行為。因此，駕駛行為或多或少會自動產(chǎn)生。這是“緊急事件”。

責任編輯：lq