Learning from Shared-Control Overrides: Context-Driven Acceleration Profile Prediction for Personalized Overtaking

📄 arXiv: 2609.37684v1 📥 PDF

作者: Ruizheng Xu, Lounis Adouane, Javier Ibañez-Guzmán, Clément Zinoune

分类: cs.AI, cs.LG, cs.RO

发布日期: 2026-09-29

期刊: 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC), IEEE Intelligent Transportation Systems Society (IEEE ITSS), Sep 2026, Naples, Italy

💡 一句话要点

提出基于共享控制覆盖的个性化超车加速预测方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自适应巡航控制 个性化驾驶 油门覆盖 上下文分类 数据驱动方法 智能驾驶 驾驶辅助系统

📋 核心要点

  1. 现有的自适应巡航控制系统往往无法满足个体驾驶员在超车等关键时刻的需求，导致驾驶员频繁干预。
  2. 本文提出的CoP-ACC框架通过分析驾驶员的油门覆盖行为，利用数据驱动的方法实现个性化的车辆加速适应。
  3. 在真实道路数据的评估中，该方法展示了高重建精度，并生成了更符合驾驶员期望的加速曲线，显著提升了驾驶体验。

📝 摘要（中文）

自适应巡航控制（ACC）系统通常针对平均驾驶员进行校准，这在高速公路超车等时间关键操作中，可能导致车辆行为与个体期望不匹配。当ACC被认为过于保守且不一致时，驾驶员会通过油门覆盖进行干预，从而提供对系统行为的隐性反馈。本文将这些覆盖行为重新定义为人机协作的监督信号，提出了一种数据驱动的个性化车辆适应框架，称为基于上下文的个性化ACC（CoP-ACC）。该方法结合了无监督层次聚类、上下文分类器和残差回归器，能够生成符合驾驶员期望的平滑加速曲线。实验证明，该方法在真实道路数据上表现出高重建保真度，能够减少手动干预，提高乘坐舒适性。

🔬 方法详解

问题定义：本文旨在解决自适应巡航控制系统在个性化驾驶体验中的不足，尤其是在高速公路超车等时间关键操作中，现有方法往往无法满足驾驶员的期望，导致频繁的手动干预。

核心思路：提出基于上下文的个性化ACC（CoP-ACC）框架，通过分析驾驶员的油门覆盖行为，将其视为人机协作的监督信号，从而实现更符合个体需求的加速预测。

技术框架：该框架包括三个主要模块：无监督层次聚类用于提取覆盖事件的代表性加速曲线；上下文分类器将驾驶条件映射到适当的加速曲线；残差回归器则对选定的加速曲线进行平滑处理，以适应当前的驾驶环境。

关键创新：最重要的创新在于将驾驶员的油门覆盖行为视为反馈信号，并通过数据驱动的方法实现个性化的加速预测，这与传统的端到端回归方法形成鲜明对比，后者往往导致动态响应的过度平滑。

关键设计：在模型设计中，采用无监督学习方法进行层次聚类，确保提取的加速曲线具有代表性；上下文分类器的设计考虑了多种驾驶条件，以提高匹配的准确性；残差回归器则通过优化损失函数，确保生成的加速曲线平滑且符合驾驶员的期望。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在与传统的强制ACC基线进行比较时，CoP-ACC方法展示了高重建保真度，生成的加速曲线更接近驾驶员的期望行为，显著减少了手动干预的需求，提升了整体驾驶体验。

🎯 应用场景

该研究的潜在应用领域包括智能驾驶、自动驾驶汽车和高级驾驶辅助系统（ADAS）。通过实现个性化的加速控制，能够显著提升驾驶员的舒适性和安全性，减少手动干预的频率，推动智能交通系统的发展。

📄 摘要（原文）

Adaptive Cruise Control (ACC) systems are typically calibrated for an average driver, often resulting in a mismatch between vehicle behavior and individual expectations during time-critical maneuvers such as highway overtaking. When the ACC is perceived as too conservative and inconsistent, drivers intervene through throttle overrides, providing implicit feedback on the system's behavior. This paper reframes these override actions as human-in-theloop supervisory signals and proposes a data-driven framework for personalized vehicle adaptation, termed Context-driven Personalized ACC (CoP-ACC). Rather than relying solely on end-to-end regression, which tends to over-smooth dynamic responses, we introduce a hybrid pipeline combining: (i) unsupervised hierarchical clustering to extract representative acceleration profiles from override events; (ii) a context classifier that maps pre-maneuver driving conditions to the appropriate profile; and (iii) a residual regressor that refines the selected profile into a smooth, personalized acceleration profile tailored to the immediate context. Evaluated on real-world public-road data against a withheld forced-ACC baseline, the approach demonstrates high reconstruction fidelity and generates acceleration profiles that tend toward the driver's expected behavior in potential override contexts. The results highlight the potential of learning from shared-control overrides to enable anticipatory, personalized ACC behavior, reducing manual interventions and improving ride comfort.