Driving behavior classi cation for heavy-duty vehicles using LSTM networks

Araçlarda hızla büyüyen otonom sürüş eğilimine rağmen, insan mevcut araç teknolojileri için hala oldukça önemli bir faktör. Sürücüler, araçların hem yakıt ekonomisi hem de sürüş güvenliği üzerinde oldukça büyük bir etkiye sahip. Bu nedenle, sürücü davranışlarının belirlenmesi ve değerlendirilmesi özellikle ağır vasıta araçlar için mevcut araç teknolojilerinin performans, güvenlik ve verimliliklerinin geliştiril-mesi açısından büyük önem taşıyor. Bu tez kapsamında, IPG'nin Truckmaker simulasyon ortamında gerçekçi bir araç modeli kullanılarak, ivmelenme ve araç takip karakteristikleri üzerinden çeşitli sürücü davranışları tasarlandı. Bu sürücü davranışlarının tanınabilmesi amacıyla bir Uzun Kısa Vadeli Hafıza Ağları (LSTM) sınıflandırıcısından yararlanıldı. İlk olarak, doğrusal, yanal ivmelenme limitleri üzerinden altı farklı sürücü tanımlandı. Sınıflandırıcı, sürücülerin araç modelinin 5 farklı yük ile yapay bir yolu takibinden toplanan sürüş sinyalleri ile eğitildi. Bahsedilen yol otobanlarda karşılaşılabilecek geometrileri kapsayacak şekilde tasarlandı. Model, gerçekçi bir yol üzerinden aynı yöntemle toplanan veriler ile test edildi. Sonrasında, araç takibindeki doğrusal ivmelenmeleri üzerinden üç sürücü (sakin, normal, agresif) tanımlandı ve bu sürücülerin farklı trafik senaryolarındaki sürüş sinyalleri ile sınıflandırıcının eğitimi ve testi gerçekleştirildi. Sınıflandırma sonuçları kullanılan LSTM tabanlı yapının, farklı sürüş davranışlarını içeren sürüş sinyallerinin dinamik ilişkilerini başarı ile yakalayabildiğini göstermiştir.