Customized Generative Adversarial Imitation Learning for Driving Behavior Modeling in Traffic Simulation
Notice bibliographique
Résumé
Driving behavior modeling is a crucial yet challenging task in the development of traffic simulation systems. Advances in machine learning and data‐driven vehicle trajectory extraction technologies have significantly advanced research in this area. However, the performance of such models can be affected by numerous factors often overlooked by the existing methods, including the complexity of real‐world road environments and driver characteristics. In this paper, we introduce a novel modeling approach, termed the customized generative adversarial imitation learning (Cus‐GAIL) method, designed to capture these complex factors. Our approach incorporates a conditional imitation learning technique that utilizes traffic’s prior knowledge to train a reinforcement learning (RL) model. In addition, we have innovatively developed a collision avoidance mechanism that markedly improves the reliability of microscopic traffic simulation. To address variations in driving styles, we have also created a driver classifier. Moreover, we propose a method for synthesizing small‐sample vehicle trajectory data to enhance the RL model’s ability to perceive rare data scenarios. By integrating these components, our model effectively encapsulates a wide range of external and internal factors. To validate the efficacy of the Cus‐GAIL method, we employ an unmanned aerial vehicle (UAV) to monitor the two road segments and gather video data of actual vehicle trajectories. The experimental results demonstrate that the Cus‐GAIL method outperforms established baselines on both microscopic and macroscopic metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».