基于多源轨迹数据的智能体驱动可解释跟驰法则发现
研究提出以智能体为中心、物理感知的框架，从NGSIM US-101、highD、exiD多源轨迹数据中发现跟驰法则，得到自适应均衡响应模型（AERM），将状态依赖的相对速度响应与间距依赖的均衡速度恢复相耦合。AERM具有解析的均衡速度-间距与流量-密度关系，并推导了零延迟形式的稳定性条件。在上海自然驾驶数据、NGSIM I-80和Waymo轨迹上对比七个经典跟驰模型，AERM在轨迹特定校准下间距RMSE分别降低9.11%、7.59%和21.73%，在数据集级共享参数下仍具竞争力。
发布于 10-22 10:55来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Agentic discovery of interpretable car-following laws from multi-source trajectory data》查看原链
标题：基于多源轨迹数据的智能体驱动可解释跟驰法则发现 摘要：跟驰（CF）模型是微观交通仿真的基础组件，支撑着对集体交通动态的分析；但由于人类驾驶行为多样，且自动驾驶车辆日益增多，其建模变得更具挑战性。 解析型CF模型能提供可解释的纵向车辆交互表示，但其预设的函数结构可能限制对异质驾驶行为的表征。
本研究提出一个以智能体为中心、物理感知的框架，用于从多源轨迹数据中经验性地发现CF法则。 该框架迭代地结合由交通流知识和状态依赖重构误差引导的智能体假设生成、进化符号搜索以及物理感知的多目标评估。 利用NGSIM US-101、highD和exiD数据集，该框架发现了自适应均衡响应模型（AERM），它将状态依赖的相对速度响应与间距依赖的均衡速度恢复相耦合。
AERM具有解析的均衡速度-间距和流量-密度关系；推导了零延迟形式下的稳定性条件，并通过车队仿真考察扰动传播。 在上海自然驾驶数据、NGSIM I-80和Waymo轨迹上对七个经典CF模型进行评估，AERM在轨迹特定校准下取得最低的间距和速度重构误差，相对最强基线将间距RMSE分别降低9.11%、7.59%和21.73%，并在数据集级共享参数下保持竞争力。
这些结果证明了所发现CF法则的拟合灵活性和解析可处理性，为微观交通仿真提供了可解释的基础。