Resumen

El presente estudio propone un marco para aprender el comportamiento de seguimiento de coches de los conductores basado en el aprendizaje por refuerzo inverso profundo de máxima entropía. El marco propuesto permite aprender la función de recompensa, representada por una red neuronal totalmente conectada, a partir de datos de conducción, como la velocidad del vehículo del conductor, la distancia al vehículo que le precede y la velocidad relativa. Se utilizan datos de dos pruebas de campo con 42 conductores. Tras agrupar a los participantes en grupos agresivos y conservadores, los datos de seguimiento de coches se utilizaron para entrenar el modelo propuesto, un modelo de red neuronal totalmente conectada y un modelo de red neuronal recurrente. Adoptando el método de validación cruzada quíntuple, se demostró que el modelo propuesto tenía el porcentaje de error cuadrático medio y la distancia de Hausdorff modificada más bajos entre los distintos modelos, mostrando una capacidad superior para reproducir los comportamientos de seguimiento de coches de los conductores. Además, el modelo propuesto captó las características de los distintos estilos de conducción durante los escenarios de seguimiento de coches. Las recompensas y estrategias aprendidas fueron coherentes con las demostraciones de los dos grupos. El aprendizaje por refuerzo inverso puede servir como nueva herramienta para explicar y modelar el comportamiento al volante, proporcionando referencias para el desarrollo de modelos de conducción autónoma similares a los humanos.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:coche, conductores, modelo, aprendizaje profundo inverso por refuerzo, como modelos de conducción autónoma, modelo de red neuronal recurrente, aprendizaje inverso por refuerzo, diferentes estilos de conducción, modelo de comportamiento al volante, modelo de red neuronal
• Keywords:car, drivers, model, deep inverse reinforcement learning, like autonomous driving models, recurrent neural network model, inverse reinforcement learning, different driving styles, model driving behavior, neural network model