摘要

本文由Xianda Chen等人撰写，题为“EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems”。文章主要探讨了在自动驾驶车辆尚未普及的背景下，高级驾驶辅助系统（ADAS）中的自适应巡航控制（ACC）系统的重要性。当前ACC系统通常采用固定设置，未能充分考虑驾驶员的社会偏好，可能导致系统功能解除。为此，作者提出了可编辑行为生成（EBG）模型，这是一种数据驱动的跟车模型，允许调整驾驶不礼貌水平。该模型结合了长短期记忆（LSTM）和Transformer架构，通过集成不同的不礼貌计算方法，生成具有不同礼貌水平的真实代理轨迹。实验结果显示，与基准相比，该模型在HighD和Waymo数据集上的平均平方误差（MSE）有所降低，证明了其风格可控性。这是首个能够动态调整不礼貌水平的数据驱动跟车模型，为考虑驾驶员社会偏好的ACC系统开发提供了有价值的见解。

原理

EBG模型的核心在于通过集成多种不礼貌计算方法到先进的LSTM和Transformer架构中，来模拟跟车行为。模型通过使用带有不礼貌标签的真实跟车数据进行训练，根据输入的不礼貌值合成模拟跟随车辆的未来轨迹。具体来说，模型通过编码器处理输入序列，解码器生成输出序列，并通过线性层将隐藏状态映射到最终的输出，即预测的未来速度。此外，模型还设计了一种礼貌损失函数，确保生成的不礼貌水平与输入值匹配。通过这种方式，EBG模型能够生成符合不同驾驶风格的真实跟车行为。

流程

EBG模型的工作流程包括以下几个步骤：首先，定义问题，明确输入特征和输出变量；其次，探索不同的不礼貌水平计算方法，如基于加速度、急动度和速度的计算；然后，设计模型架构，包括LSTM、LSTM IDM和Transformer模型；最后，定义损失函数，包括速度损失、间距损失和礼貌损失，并通过优化过程最小化总损失。实验验证阶段，模型在HighD和Waymo数据集上进行了测试，结果显示模型能够有效生成所需的驾驶行为，并捕捉不同的驾驶风格。

应用

EBG模型的应用前景广阔，特别是在自适应巡航控制系统的开发中。通过允许调整不礼貌水平，该模型能够更贴近驾驶员的社会偏好，从而提高ACC系统的适用性和有效性。此外，该模型还可以集成到任何数据驱动的跟车模型中，增强其多功能性和适用性，为推进自适应巡航控制功能提供有价值的见解。未来，该模型有望在智能交通系统中发挥重要作用，提升驾驶体验和道路安全。