SATIC:一种自适应时间逆协方差聚类框架及其在非平稳驾驶行为识别中的应用
《Technologies》:SATIC: Self-Adaptive Temporal Inverse Covariance Clustering for Driving Style Recognition
【字体:
大
中
小
】
时间:2026年10月02日
来源:Technologies 5.2
摘要
在状态层面和驾驶员层面自动识别驾驶行为对于个性化驾驶辅助、安全评估和精算建模具有重要意义。然而,TICC式逆协方差聚类依赖于全局固定的正则化和切换惩罚,在簇不平衡的情况下可能不可靠,且对非平稳驾驶行为中的局部变化响应不足。本研究提出SATIC——一种自适应时间逆协方差聚类框架,将自适应模型估计与自适应时间分段相结合。在M步中,稀疏逆协方差估计的向量化Newton求解器与簇特定正则化相结合。该设计将求解器运行时间从12.7秒缩短至7.2秒,迭代次数从约850次减少至10–30次。在E步中,对0.3–2.0秒范围内的连续性系数进行等权融合,产生时变切换惩罚,且无需可训练的融合参数。在理想化平方损失框架下,预选常切换权重可能带来Ω(T)的极小极大遗憾,而在线梯度下降可达到O(log T)。线性遗憾界表明,固定策略的累积超额损失可能随序列长度增长,且其平均遗憾不一定趋于零。相比之下,对数界使在线自适应策略的平均遗憾趋于消失。这一结果促使采用自适应切换惩罚来跟踪局部时间变化。SATIC在OCSLab、UAH-DriveSet、NGSIM和真实车辆数据集上与四种基线方法进行了对比评估。在NGSIM上,经错误发现率校正后的车辆级对比显示,SATIC在Calinski–Harabasz指数和Davies–Bouldin指数上表现更优。原始p值分别为0.022和0.015,秩双列相关系数分别为0.51和0.55。在真实车辆数据集上的额外实验评估了其在实际驾驶条件下的适用性,结果表明其整体性能与基线方法相当,且在不同驾驶员间存在差异。探索性分析进一步将推断出的状态与基于物理学定义的驾驶类别相关联,并识别出三个可解释的驾驶员群体。总体而言,SATIC提供了一个可解释的自适应框架用于分析非平稳驾驶序列,尽管其经验优势的幅度在不同数据集、评估指标和驾驶员之间存在差异。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号