Identification of Driving Scenarios and Driving Styles Using Machine Learning

Abstract (Swedish)

The data-based verification of autonomous driving functionalities requires the detection of driving scenarios and driving styles. Driving scenarios define the tasks that the functionalities have to master, whereas
the driving style has an impact on the traffic and thus the recorded traffic
scenarios.
In this thesis we consider two machine learning models which extract
driving scenarios and driving styles respectively, and compare their performance on differentiating drivers from a data set with over 350 000 km
of driving. The first approach uses Hierarchical Dirichlet Process Hidden
semi-Markov models to segment the data into highly interpretable primitive driving scenarios, from which features are extracted to classify drivers.
The second approach is a deep learning classifier which utilizes a combination of a sequence model and an auto-encoder. The deep learning classifier
outperforms the segmentation based classifier and achieves high accuracy
on classifying multiple drivers. This indicates the existence of sufficiently
different driving styles to suggest a benefit in assigning multiple drivers
for data collection in order to increase the variation in the experienced
scenarios. While the segmentation approach is underperforming on the
classification task, it can be utilized to replace a rule-based extraction of
simple driving scenarios. We discuss the extraction of complementary data
characteristics from the two approaches and their relative advantages.

Popular Abstract (Swedish)

Utvecklingen av självkörande bilar går fort och deras förmåga att självständigt manövrera i trafiken uppdateras kontinuerligt. Därmed behöver bilen också kontinuerlig verifieras för att uppträda säkert i alla typer av situationer i trafiken, så kallade trafikscenarion. Att göra detta i
verklig trafik är riskabelt och tidsödande. Ett alternativ är att istället göra matematiska simuleringar av trafiken. I detta arbete har det undersöks hur man med hjälp av maskininlärning kan använda stora mängder insamlad data för att hitta dessa trafikscenarion, som sedan kan användas i trafiksimuleringar. Den insamlade datan kan även användas till att hitta olika typer av körstilar som i sin tur har direkt påverkan på trafikscenarion.

Föreställ dig att du har din bil är utrustad med automatisk nödbroms, en av de många funktionaliteter som idag finns i stor utsträckning hos självkörande bilar. Nödbromsen kan antas fungera mycket bra i enkla scenarion, exempelvis i en bilkö med låga hastigheter. Vi behöver därför inte lägga lika mycket energi på att verifiera nödbromsen i dessa scenarion, utan istället fokusera på andra mer komplexa situationer, exempelvis ett filbyte. Hur ska vi då bära oss åt för att hitta olika typer av intressanta trafikscenarion? Det går givetvis att manuellt definiera dessa, utifrån olika kriterier. I detta arbete har det dock visat sig att maskininlärning är ett möjligt alternativt. Maskininlärning utnyttjar stora mängder
data för att på ett automatiserat vis hitta strukturer och mönster. Vi kan se att
maskininlärningsalgoritmer i det här fallet kan extrahera enkla scenarion utan någon större mänsklig assistans. Exempel på dessa scenarion är kraftiga accelerationer, kraftiga inbromsningar, och vänster- samt högersvängar. Förvisso ganska simpla scenarion, men ett första steg mot mer komplexa scenarion.
Vi ser också att maskininlärning kan tillämpas på kördata, för andra snarlika uppgifter. Vi tränar ett neuralt nätverk på kördata från 14 olika förare. Detta nätverk lär sig sedan att se skillnad på de olika körstilarna med hög träffsäkerhet. Det är viktigt för datainsamling att ha olika typer av körstilar
närvarande, vilket bekräftas av dessa resultat. Det ska nämnas att maskininlärning inte bara är en svart låda som data stoppas in i och som sedan
alltid spottar ut ett perfekt resultat. Autonoma fordon är ett komplext område, och de olika problem som uppstår kräver ofta en kombination av maskininlärning och mänskligt förnuft.

• author: Nord, Andreas
• supervisor: Henning Petzka
• organization: Mathematics (Faculty of Engineering)
• alternative title: Identifiering av körscenarion och körstilar med hjälp av maskininlärning
• course: FMAM05 20202
• year: 2020
• type: H2 - Master's Degree (Two Years)
• subject: Mathematics and Statistics
• keywords: Driver classification, Autonomous vehichles, Hidden Markov Models, Bayesian Networks, Autoencoders
• publication/series: Master's Thesis in Mathematical Sciences
• report number: LUTFMA-3426-2020
• ISSN: 1404-6342
• other publication id: 2020:E58
• language: English
• id: 9027271
• date added to LUP: 2020-09-10 14:43:28
• date last changed: 2020-09-10 14:43:28