کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7258526 | 1472459 | 2013 | 20 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
The learning of longitudinal human driving behavior and driver assistance strategies
ترجمه فارسی عنوان
یادگیری رفتار رانندگی طولی انسان و استراتژی های کمک به راننده
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
کمک های هوشمند مدل رانندگان احتمالی فرآیندهای تصمیم مارکوف، شبکه های پویا بیزی، یادگیری ساختار و پارامتر مدل های گرافیکی احتمالی، یادگیری تبعیض آمیز،
ترجمه چکیده
مدل های رفتار رانندگی انسان برای نمونه سازی سریع سیستم های کمک جبران خطا ضروری هستند. نویسندگان مختلف مدل های نظری-نظری و تولیدی را پیشنهاد دادند. در اینجا ما گزینه های یادگیری ماشین را برای آموزش سیستم های کمک آموزشی ارائه می دهیم و الگوهای راننده احتمالی را از ردیابی رفتار انسانی محاسبه می کنیم. ما در حال ارائه یک سیستم پشتیبانی از رانندگی به طور مستقل بر اساس فرآیندهای تصمیم مارکوف. استراتژی های کمک آن از آثار رفتاری انسانی با استفاده از الگوریتم کمترین الگوریتم تقسیم بندی سیاست یاد می شود. سیستم نتیجه قادر به کاهش تعداد برخورد هایی است که در هنگام رانندگی سوار می شود. علاوه بر این، ما مدل مدل ترکیبی راننده اتوبوس بیس برای کنترل طولی راننده های انسان را بر اساس ترکیب مدولار و سلسله مراتبی شبکه های بیزی پویا ارائه می دهیم. پارامترها و ساختارهای آنها براساس معیارهای رفتار انسانی با استفاده از معیار ارزیابی تبعیضی بر اساس معیار اطلاعات بیزی است. این اجازه می دهد تا انتخاب درک های مربوطه از انواع ادراک پیشنهاد شده برای مدل های راننده با توجه به ارتباطات آماری خود را. مدل راننده در نتیجه می تواند رفتار کنترل طولی راننده های انسان را در هنگام رانندگی بدون کمک یا کمک از طریق سیستم ارائه شده ارائه دهد.
موضوعات مرتبط
علوم انسانی و اجتماعی
روانشناسی
روان شناسی کاربردی
چکیده انگلیسی
Models of the human driving behavior are essential for the rapid prototyping of error-compensating assistance systems. Various authors proposed control-theoretic and production-system models. Here we present machine-learning alternatives to train assistance systems and estimate probabilistic driver models from human behavior traces. We present a partially autonomous driver assistance system based on Markov Decision Processes. Its assistance strategies are trained from human behavior traces using the Least Square Policy Iteration algorithm. The resulting system is able to reduce the number of collisions encountered when following a lead-vehicle. Furthermore, we present a Bayesian Autonomous Driver Mixture-of-Behaviors model for the longitudinal control of human drivers based on the modular and hierarchical composition of Dynamic Bayesian Networks. Their parameters and structures are estimated from human behavior traces using a discriminative scoring criterion based on the Bayesian Information Criterion. This allows the selection of pertinent percepts from the variety of percepts proposed for driver models according to their statistical relevance. The resulting driver model is able to reproduce the longitudinal control behavior of human drivers while driving unassisted or assisted by the presented assistance system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part F: Traffic Psychology and Behaviour - Volume 21, November 2013, Pages 295-314
Journal: Transportation Research Part F: Traffic Psychology and Behaviour - Volume 21, November 2013, Pages 295-314
نویسندگان
Mark Eilers, Claus Möbus, Fabio Tango, Olivier Pietquin,