车辆换道相关论文阅读(1)

1. 美国自动驾驶数据集

1. NGSIM: http://ngsim-community.org/
   US 101 - http://gateway.path.berkeley.edu/ngsimdocs/US-101
   早上45分钟的数据，每15分钟记录, vehicle trajectory data provide precise location of each vehicle 10HZ
   I-80 -http://gateway.path.berkeley.edu/ngsimdocs/I-80
   下午45分钟的数据，每15分钟记录, vehicle trajectory data provide precise location of each vehicle 10HZ
   数据特征:
   

2. VANETs

2. 论文

几篇论文主要是来自CMU的John M. Dolan团队。

2.1

论文1：Lane-Change Social Behavior Generator for Autonomous Driving Car
by Non-parametric Regression in Reproducing Kernel Hilbert Space， by Chiyu Dong, Yihuan Zhangy and John M. Dolanz

问题描述

换道场景：
输入：本车轨迹，周围车(本车道前后车，目标车道并行车及其前后车)的轨迹
输出：换道行为（换道起点和终点） 连续的值。 起点和终点定义如下：

问题扩展

为了理解换道论文，首先来了解RKHS空间是如何定义的
RKHS: reproducing Kernel Hilbert Space 再生核空间 (SVM中常提到)
论文2：Functional Gradient Motion Planning in Reproducing Kernel Hilbert Spaces
https://arxiv.org/abs/1601.03648 同样来自CMU 2016年

The motivation of kernel method arises in mapping a vector in Rn space as another vector in a feature space（ high-dimension feature space）.
核函数：
通过某非线性变换 φ( x) ，将输入空间映射到高维特征空间。特征空间的维数可能非常高。如果支持向量机的求解只用到内积运算，而在低维输入空间又存在某个函数 K(x, x′) ，它恰好等于在高维空间中这个内积，即K( x, x′) =<φ( x) ⋅φ( x′) > 。那么支持向量机就不用计算复杂的非线性变换，而由这个函数 K(x, x′) 直接得到非线性变换的内积，使大大简化了计算。这样的函数 K(x, x′) 称为核函数。
核函数性质：对称性和正定性
对称性.

正定性


特征值 lambda和 特征函数正定性

{ψi}: 1->∞ construct a set of orthogonal basis for a function space.


RKHS:

距离：度量空间，非负性，对称性，三角不等性
范数是x到点0的距离，范数是距离，但距离不一定是范数

范数：赋范空间 (没有角度维度) 非负性， ||ax||=|a| ||x||，三角不等性

内积：内积空间 n维内积空间常指欧几里得空间 非负性，对第一变元的线性性，正定性
①对H中的任何两个向量x，y，有(x，y)=(y，x);
②对H中的任何三个向量x、y、z及实数α、β，有(αx+βy，z)=α(x，z)+β(y，z);
③对H中的一切向量x，均有(x，x)≥0，且(x，x)=0的充分必要条件是x=0。则(x，y)称为是H上的一个内积，而H称为内积空间。
有了内积的操作，才有了正交等新的属性。

赋范空间+完备性 = 巴拿赫空间
内积空间+完备性+无穷维空间 = Hilbert空间

有了范数，有了内积，的完备内积空间
希尔伯特空间是一个函数空间，即空间中每个元素都是一个函数。

• RHKS这一部分参考文献3中的介绍，相当于前面英文版的翻译。

1. 一个函数f(x)可以看作是采样状态下的一个向量，可写成积分形式(f(x0), f(x1),…,f(xn)),是为了理解无穷维的概念。
2. 一个函数空间(RHKS)的内积，可以理解为
   
3. 核函数的作用是利用低维空间中的一个kernel函数代替对应高维空间中的内积运算，可以避免计算非线性变换，核函数K(x,y)的特性是：
   
   核函数的特征函数是正交的，特征函数相当于线性空间中 Ax=$\lambda$x 中的特征向量或者基底$x$
   
   利用函数无穷维的向量定义，原来的核函数也可以分解成为核函数之间相乘的结果
   (1)

可再生性

可再生性讲的是 把RKHS上的内积操作转换为一个核函数操作
RKHS是由核函数构成的空间，存在一组无穷维基底 { λ i ϕ i } i = 0 ∞ \{ { \sqrt{\lambda_i} \phi_i} \}_{i=0}^{\infty} { λi​ ​ϕi​}i=0∞​
空间中任意函数f(x)和g(y)可表示成为$f={\sum }_{i=1}$