Prediction of driver lane-change behavior
| dc.contributor.advisor | Rötting, Matthias | |
| dc.contributor.author | Li, Xiaohan | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Rötting, Matthias | |
| dc.contributor.referee | Bengler, Klaus | |
| dc.date.accepted | 2019-10-21 | |
| dc.date.accessioned | 2019-11-22T10:10:28Z | |
| dc.date.available | 2019-11-22T10:10:28Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | Prediction of driver lane-change (LC) behavior is very important to avoid LC related traffic accidents. The aim of this dissertation is to propose a comprehensive framework, including experimental design, modeling, feature selection as well as evaluation, which can be implemented for prediction of driver LC behavior. The framework is designed to concentrate on highway roads. To this end, three studies were conducted step by step including a driving simulator based experiment, a big data analysis, and a real-road experiment. Methods used in this dissertation involve machine-learning (ML), informatics, statistics as well as the human factor field. In the first study of the dissertation, a complete framework of prediction of driver LC behavior was developed with several methodological innovations in comparison to prior research. Firstly, driving contextual traffic and driving style were considered for the preparation of the training datasets, termed as driving style datasets. Datasets without any additional consideration were termed as non-categorized datasets. These datasets were used to train the ML models to classify LC and lane-keep (LK) data samples. Secondly, a newly gaze-based labeling (GBL) method was further proposed to label LC and LK data samples compared with the time-window labeling (TWL) method which was commonly used by the related works. The results show that ML models trained by the driving style datasets can achieve higher classification scores than the non-categorized datasets. In addition, by using the GBL method, the classification performances of the models are more promising than by using the TWL method. To counter the limitations of the first study, i.e. data collection from the driving simulator and the feature selection based on the insufficient empirical knowledge, a second study was conducted based on a large set of naturalistic driving data. The aim of the second study was to propose a systematic feature selection method to fill in gaps of prior research related to prediction of driver LC behavior. In order to enrich the feature sets, a comprehensive set of features related to driver LC behavior were extracted, e.g. dynamic features of vehicle movement, behavioral features of the driver, more complex features that combine multiple variables, as well as time-window features which integrate changes over time. In addition, features from the frequency domain were extracted by varying time-windows. In contrast to the established methods for feature selection, this study uses statistical methods that allow a deeper understanding of the contribution of the individual feature to driver LC behavior and is more generalized in comparison to prior research where the feature selection methods tend to work only for one specific algorithm. Finally, combining the methods developed in the first two studies, a real-road experiment was conducted to evaluate the complete framework for LC prediction proposed in this dissertation. While this study uses similar methods to the first two studies, it provides a unique opportunity to assess the feasibility of the proposed LC prediction approach under real-road conditions. Besides driving style datasets and non-categorized datasets, in this study, personalized datasets, i.e. each participant has his/her individual dataset, were added for comparison. Comparison was made between training datasets, ML models, and labeling methods as well as the comparison between fusing and without fusing eye-tracking signals and only using eye-tracking signals for prediction. The result suggests that ML models perform best with the combination of using the personalized training datasets and the GBL method by fusing eye-tracking signals. In the final simulated real-time prediction test, the model could predict driver LC behavior around 3.3 s (precision 93.5%) ahead of an actual LC maneuver for left LC case and 2.6 s (precision 72.4%) for right LC case. In conclusion, the framework for driver LC prediction developed in this dissertation, if implemented, could help to decrease the number of LC related crashes and reduce the resulting number of injuries and fatalities. | en |
| dc.description.abstract | Die Vorhersage von Spurwechselverhalten (SW) im motorisierten Straßenverkehr ist ein wichtiger Schritt zur Vermeidung von Spurwechselunfällen. Ziel dieser Dissertation ist deshalb die Entwicklung einer umfassenden Methode zur Vorhersage von SW, einschließlich experimentellen Designs, Modellierung, Auswahl relevanter Fahr- und FahrerInnen- Variablen und deren Evaluation. Die Methode konzentriert sich hierbei auf die Autobahn als Fahrumgebung. Es wurden drei aufeinander aufbauende Studien durchgeführt, ein Fahrsimulatorexperiment, eine Analyse bestehender Realfahrtdaten, sowie eine Realfahrtstudie. Hierbei kamen Methoden des Maschinellen Lernens (ML), der Informatik, der Statistik, sowie Methoden der Human Factors Forschung zum Einsatz. In der ersten Studie der Dissertation wurde eine komplexe Methode zur Vorhersage von SW entwickelt, die bestehende Methoden zu SW Vorhersage weiterentwickelt. In einem ersten Schritt wurden Verkehrsumfeldfaktoren sowie der Fahrstil von AutofahrerInnen genutzt um einen Fahrstil Trainingsdatensatz zu erstellen. Zusätzlich wurde ein weiterer Trainingsdatensatz ohne Einbezug von Verkehrsumfeldfaktoren und Fahrstil erstellt, der Unkategorisiert Datensatz. Beide Datensätze wurden genutzt um ein ML Modell zu trainieren, welches SW und Spurhalte (SH) Daten klassifizieren kann. Zusätzlich wird eine neuartige blickbasierte Klassifikationsmethode (BKM) entwickelt, um SW- und SH-Daten zu beschriften, und die BKM mit der bestehenden Zeitfensterklassifikation (ZFK) verglichen. Die Ergebnisse zeigen, dass ML-Modelle, die durch Fahrstil-Datensätze trainiert werden, höhere Klassifizierungswerte erzielen können als ML Modelle die mit dem unkategorisierten Datensatz trainiert werden. Darüber hinaus ist die Klassifikationsleistung der Modelle durch die Verwendung der BKM-Methode vielversprechender als durch die ZFK-Methode. Um den Einschränkungen der ersten Studie, speziell der Datenerhebung im Fahrsimulator und der Variablenauswahl mit unzureichender empirischer Datenlage, entgegenzuwirken, wurde eine zweite Studie durchgeführt, die einen bestehenden Datensatz mit Realfahrtdaten analysiert. Das Ziel der zweiten Studie ist die Entwicklung einer systematischen Methode zur Variablenauswahl, um Lücken in der bisherigen Forschung im Zusammenhang mit der Vorhersage des SW-Verhaltens zu schließen. Aus bestehenden Realfahrtdaten werden mehrere für das SW-Verhalten relevante Variablen extrahiert, z.B. dynamische Variablen der Fahrzeugbewegung, des FahrerInnenverhaltens, komplexere Variablen, die mehrere Variablen kombinieren, sowie Zeitfenstervariablen, die Änderungen im Zeitverlauf integrieren. Darüber hinaus werden Variablen aus dem Frequenzbereich extrahiert. Im Gegensatz zu bestehenden Methoden zur Variablenauswahl verwendet diese Studie statistische Methoden, die ein tieferes Verständnis des Beitrags des einzelnen Merkmals zum SW-Verhalten der FahrerInnen ermöglichen. Dieser Ansatz ist außerdem allgemeiner als bestehende Ansätze, die eine Variablenauswahl nur für einen bestimmten Algorithmus erlauben. In einem dritten Experiment werden die Methoden aus den ersten beiden Studien kombiniert, um SW-Verhalten in einem Realfahrtexperiment vorherzusagen. Obwohl diese Studie ähnliche Methoden wie die ersten beiden Studien verwendet, bietet sie eine einzigartige Gelegenheit, die Machbarkeit des vorgeschlagenen SW-Vorhersageansatzes unter realen Straßenbedingungen zu testen. Neben dem Fahrstil Datensatz und dem Unkategorisiert Datensatz wird in dieser Studie zusätzlich ein Personalisiert Datensatz genutzt, der für jede Versuchsperson individuell angelegt wird. Es wird ein Vergleich der Vorhersage von SW mittels der verschiedenen Trainingsdatensätze, ML-Modellen und Klassifikationsmethoden, sowie der Frage, ob Eye-tracking für die SW-Vorhersage einbezogen werden soll, durchgeführt. Die Ergebnisse deuten darauf hin, dass ML-Modelle am besten mit der Kombination aus der Verwendung personalisierter Trainingsdatensätze und der BKM-Methode mit der Verwendung von Eye-Tracking-Informationen funktionieren. Im abschließenden simulierten Test der Vorhersage in der Realfahrt konnte das entwickelte Modell das SW-Verhalten der FahrerInnen im Mittel 3,3 s (Genauigkeit 93,5 %) vor einem tatsächlichen SW-Manöver für einen linksseitigen SW, und 2,6 s (Genauigkeit 72,4 %) für einen rechtsseitigen SW vorhersagen. Die in dieser Dissertation entwickelte Methode zur Vorhersage von SW-Verhalten kann in der Anwendung dazu beitragen, die Anzahl der Spurwechselunfälle zu verringern und somit die Zahl der daraus resultierenden Verletzungen und Todesfälle reduzieren. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/10270 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-9232 | |
| dc.language.iso | en | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 601 Philosophie, Theorie | de |
| dc.subject.other | lane-change | en |
| dc.subject.other | prediction | en |
| dc.subject.other | feature selection | en |
| dc.subject.other | evaluation | en |
| dc.subject.other | Spurwechsel | de |
| dc.subject.other | Vorhersage | de |
| dc.subject.other | Merkmalsauswahl | de |
| dc.subject.other | Auswertung | de |
| dc.title | Prediction of driver lane-change behavior | en |
| dc.title.subtitle | modeling, feature selection and evaluation | en |
| dc.title.translated | Vorhersage des Fahrspurwechsel-Verhaltens | de |
| dc.title.translatedsubtitle | Modellierung, Merkmalsauswahl und Auswertung | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | domain | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Psychologie und Arbeitswissenschaft::FG Mensch-Maschine-Systeme | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.group | FG Mensch-Maschine-Systeme | de |
| tub.affiliation.institute | Inst. Psychologie und Arbeitswissenschaft | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |