基于多元高斯模型的跟驰轨迹评价方法研究

高建设，柏海舰

(合肥工业大学 汽车与交通工程学院，安徽 合肥 230009)

由于机器学习的快速发展，机器学习模型已被应用在很多领域，如自然语言处理、机器翻译、语音识别、手写识别及视频标记等模型中[1～4]。在跟驰模型研究中，有较多学者使用NGSIM数据集[5]训练模型，通过学习人的驾驶行为去再现真实交通流现象，然而评价模型的方法仍比较传统和单一，如轨迹层面的均方误差对比等方法。传统的评价方式是将学习到的模型进行单一轨迹仿真，与真实轨迹在空间位置维度上使用均方误差进行对比，进而比较模型的优劣。该模型存在的问题主要有两个方面：首先，原始轨迹不一定是一条值得学习的轨迹，由于人的行为具有一些随机因素在其中，单个个体的驾驶行为也很难一直保持不变；其次，驾驶行为也不能单纯地使用位置偏差来评判，应结合速度或加速度进行综合评判。

Parham[6]使用支持向量回归方法，采用加速度的相关系数(R)和均方误差(MSE)作为评价标准，仿真发现SVR模型得出的跟驰反应时间和轨迹数据更接近真实数据。Alireza[7]建立人工神经网络模型，并将驾驶员的瞬时反应时间加入到输入端，输出后车的加速度，使用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、标准差(SDE)与真实数据进行对比。Gao[8]使用逆强化学习，通过建立R函数的方式使车辆可以进行一系列连续的控制过程。M. Zhu[9]使用真实跟驰数据校准深度强化学习模型，学习人类的驾驶行为，并使用均方根百分比误差(RMSPE)进行速度及位置上的误差分析。……