Investigating Personalized Driving Behaviors in Dilemma Zones: Analysis and Prediction of Stop-or-Go Decisions

在有信号灯的路口，进入困境区域是驾驶员和交通运营人员共同面临的一个普遍但未解决的挑战。黄灯的出现会引发不同驾驶员的不同反应：有些人可能会突然刹车，影响乘车舒适度，而其他人可能会加速，增加闯红灯和潜在安全隐患的风险。驾驶员在停止或继续前行的决策上的多样性可能不仅来自周围的交通状况，还来自个性化的驾驶行为。因此，识别个性化的驾驶行为并将其纳入先进的驾驶辅助系统（ADAS）以缓解困境区域问题是一个有趣的科学问题。在本研究中，我们采用基于游戏引擎（即CARLA）的驾驶模拟器收集四名受试驾驶员在不同情境下的高分辨率车辆轨迹、进入交通信号灯相位和时间信息以及停止或继续前行的决策。这种方法使我们能够分析困境区域中的个性化驾驶行为，并开发个性化Transformer编码器来预测每个驾驶员的停止或继续前行的决策。结果表明，与通用Transformer编码器相比，个性化Transformer编码器提高了在困境区域中预测驾驶员决策的准确性，提高了3.7％至12.6％，并且比二元逻辑回归模型提高了16.8％至21.6％。

解决问题：如何通过个性化驾驶行为来解决交通信号灯区域的困境问题？

关键思路：使用基于游戏引擎的驾驶模拟器收集高分辨率车辆轨迹、交通信号灯相位和时间信息、停止或行驶决策，并开发个性化Transformer编码器来预测驾驶员的决策。

亮点：使用CARLA驾驶模拟器进行实验，开发了个性化Transformer编码器来预测驾驶员的行为，相比于通用的Transformer编码器和二元逻辑回归模型，个性化Transformer编码器的准确性提高了3.7%到12.6%和16.8%到21.6%。

相关研究：最近的相关研究包括“基于深度学习的交通信号灯控制”和“交通信号灯控制中的驾驶员行为建模”。