MetaFollower: Adaptable Personalized Autonomous Car Following

本研究提出了一个可适应的个性化跟车框架——MetaFollower，通过利用元学习的力量。具体而言，我们首先利用模型无关元学习（MAML）从各种跟车事件中提取通用驾驶知识。然后，预训练模型可以在仅有少量跟车轨迹的新驾驶员上进行微调，以实现个性化的跟车适应性。我们还结合了长短期记忆（LSTM）和智能驾驶模型（IDM），以反映高可解释性的时间异质性。与传统的自适应巡航控制（ACC）系统不同，MetaFollower 可以准确地捕捉和模拟跟车行为的复杂动态，同时考虑到个体驾驶员的独特驾驶风格。我们通过展示MetaFollower快速适应有限训练数据的能力来展示其多功能性和适应性。为评估MetaFollower的性能，我们进行了严格的实验，将其与基于数据和基于物理的模型进行比较。结果表明，我们提出的框架在预测跟车行为方面比基线模型具有更高的准确性和安全性。据我们所知，这是第一个基于元学习的跟车模型，旨在通过考虑驾驶员和时间异质性来实现快速适应。

MetaFollower试图解决的问题是如何实现个性化的汽车跟随模型，以及如何考虑驾驶员和时间异质性。

MetaFollower使用元学习来提取常见的驾驶知识，并将其应用于新的驾驶员以实现个性化的汽车跟随模型。同时，结合LSTM和IDM，以反映时间异质性和高可解释性。

MetaFollower可以快速适应新驾驶员并准确地捕捉和模拟汽车跟随行为。实验结果表明，MetaFollower在预测汽车跟随行为方面具有更高的准确性和安全性。

相关研究包括：1. 基于数据驱动的汽车跟随模型；2. 基于物理的汽车跟随模型；3. 元学习在其他领域的应用研究。