449次真实驾驶数据训练，新模型预测刹车距离误差仅0.62米！
Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer
📖 AI 总结
该研究针对信号交叉口红灯违规与急刹车等高危驾驶行为，构建了包含449次接近路口行驶的真实数据集，利用厘米级RTK-GNSS记录车辆运动，并同步监测驾驶员心率与多级舒适度评分，通过时空校准实现车辆状态与信号时序的精确对齐。统计分析表明，所需减速度是决定停车或通行选择的主导单一预测因子，对峰值减速度的异方差高斯建模进一步揭示了五种源于人类停车行为的经验舒适区间。基于此，作者提出两阶段建模框架：第一阶段预测二元操纵决策，第二阶段采用决策条件自回归Transformer生成纵向加速度轨迹，并引入目标状态条件与加加速度限制等物理约束。该架构优于基线方法，加速度平均绝对误差为0.49m/s²，距离平均绝对误差为0.62m，且能仅凭黄灯亮起瞬间的单帧快照估计驾驶员未来的停车舒适度，定性结果展现出类人的真实制动行为。
🔑 关键词速览
| Physics-Constrained Decision-Conditioned Autoregressive Transformer | 一种结合物理约束和决策条件的自回归Transformer模型，用于生成符合物理规律的驾驶轨迹。 |
| RTK-corrected GNSS | 实时动态差分校正的全球导航卫星系统，提供厘米级定位精度。 |
| Heteroscedastic Gaussian Modeling | 异方差高斯建模，用于处理数据中方差非恒定的统计方法。 |
| Jerk Limits | 加加速度限制，即加速度变化率的约束，用于确保轨迹平滑性。 |
| MAE (Mean Absolute Error) | 平均绝对误差，衡量预测值与实际值之间平均绝对偏差的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅