The impact of the following vehicles behaviors on the car following behaviors of the ego-vehicle

📄 arXiv: 2507.00452v1 📥 PDF

作者: Yang Liu, Jiahao Zhang, Yuxuan Ouyang, Huan Yu, Dengbo He

分类: eess.SY

发布日期: 2025-07-01

💡 一句话要点

研究后车行为对前车跟驰行为的影响，提升交通流建模精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 跟驰行为 交通流建模 后车影响 逆强化学习 驾驶员行为 highD数据集 动态时间规整

📋 核心要点

  1. 传统跟驰模型主要关注前车的影响，忽略了后车等周围车辆的压力，导致模型不够完善。
  2. 本研究利用highD数据集，分析后车状态对前车跟驰行为的影响，区分尾随和间隔两种情况。
  3. 通过统计分析和逆强化学习，揭示了后车压力下前车驾驶员的行为调整策略，为更精确的交通流建模提供依据。

📝 摘要（中文）

本研究基于highD数据集，探讨了后车(FV)状态对前车(ego-vehicle)跟驰(CF)行为的影响。从数据集中提取了两类跟驰事件：尾随事件（FV与ego-vehicle的时间间隙小于1秒）和间隔事件（时间间隙大于3秒）。利用动态时间规整提取了前车(LV)具有相似速度曲线的跟驰对。通过统计分析比较了两类事件中的跟驰性能指标。然后，使用逆强化学习恢复了不同跟驰事件中ego-vehicle驾驶员的奖励函数。结果表明，ego-driver会根据尾随FV的压力调整其跟驰行为，保持与LV更近的距离，但同时驾驶更谨慎。此外，即使在被尾随时，驾驶员仍然能够根据交通流的速度和与LV的距离调整其跟驰策略。这些发现为通过考虑周围道路使用者的同伴压力来更准确地建模交通流提供了见解。

🔬 方法详解

问题定义：现有跟驰模型主要关注前车的影响，忽略了周围车辆（尤其是后车）的“同伴压力”对驾驶员行为的影响。这种忽略可能导致交通流模型不够准确，无法真实反映驾驶员在复杂交通环境下的决策。

核心思路：本研究的核心思路是分析后车状态（例如，与前车的距离）如何影响前车的跟驰行为。通过对比不同后车状态下的跟驰行为，推断驾驶员在受到后车压力时的策略调整。这种方法旨在揭示驾驶员在跟驰过程中对周围车辆行为的感知和响应。

技术框架：研究流程主要包括以下几个阶段：1) 数据提取：从highD数据集中提取跟驰事件，并根据后车与前车的时间间隙分为“尾随”和“间隔”两类。2) 数据预处理：使用动态时间规整(DTW)匹配具有相似前车速度曲线的跟驰对，以消除前车速度变化的影响。3) 统计分析：比较两类事件中跟驰性能指标的差异，例如车头时距、速度、加速度等。4) 逆强化学习：利用逆强化学习(IRL)方法，从驾驶员的行为数据中恢复其潜在的奖励函数，从而理解驾驶员在不同跟驰场景下的目标。

关键创新：本研究的关键创新在于将后车行为纳入跟驰模型，考虑了驾驶员在跟驰过程中受到的“同伴压力”。通过逆强化学习方法，量化了这种压力对驾驶员决策的影响，为更准确地建模交通流提供了新的视角。

关键设计：研究中关键的设计包括：1) 基于时间间隙定义“尾随”和“间隔”事件，量化后车压力。2) 使用动态时间规整匹配相似速度曲线，控制前车速度的影响。3) 使用逆强化学习恢复奖励函数，推断驾驶员的目标和策略。具体参数设置和损失函数细节在论文中未详细说明，属于未知信息。

📊 实验亮点

研究结果表明，当后车尾随时，前车驾驶员会倾向于保持与前车更近的距离，但同时驾驶行为会更加谨慎。此外，即使在被尾随的情况下，驾驶员仍然能够根据交通流速度和与前车的距离调整跟驰策略。这些发现揭示了后车压力对驾驶员行为的显著影响。

🎯 应用场景

该研究成果可应用于高级驾驶辅助系统(ADAS)和自动驾驶系统，提升车辆在复杂交通环境下的决策能力。通过更准确地预测驾驶员行为，可以优化车辆的跟驰策略，提高交通效率和安全性。此外，该研究还可以用于交通仿真和交通管理，为城市交通规划提供更可靠的依据。

📄 摘要（原文）

Among all types of crashes, rear-end crashes dominate, which are closely related to the car-following (CF) behaviors. Traditional CF behavior models focused on the influence of the vehicle in front, but usually ignored the peer pressure from the surrounding road users, including the following vehicle (FV). Based on an open dataset, the highD dataset, we investigated whether the FV's states can affect the CF behavior of the ego-vehicle in CF events. Two types of CF events were extracted from highD database, including the tailgated events, where the time headway between the FV and the ego-vehicle (i.e., time gap) was smaller than 1 second, and the gapped events, where the time gap was larger than 3 seconds. The dynamic time warping was used to extract CF pairs with similar speed profiles of the leading vehicle (LV). Statistical analyses were conducted to compare the CF-performance metrics in tailgated and gapped events. Then, the inverse reinforcement learning was used to recover the reward function of the ego-vehicle drivers in different CF events. The results showed that the ego-driver would adjust their CF behavior in response to the pressure from a tailgating FV, by maintaining a closer distance to the LV, but at the same time, driving more cautiously. Further, drivers were still able to adjust their CF strategies based on the speed of traffic flow and the distance to the LV, even when being tailgated. These findings provide insights regarding more accurate modelling of traffic flow by considering the peer pressure from surrounding road users.