原文链接：https://mp.weixin.qq.com/s/fuDTC60T0FK8IXjvHwPGDw
论文链接：https://arxiv.org/pdf/2504.20004
摘要
本文介绍了社会感知自动驾驶：推断避让意图以实现更安全的交互。自从自动驾驶技术出现以来，它在过去十年中快速发展。自动驾驶汽车（AVs）很快将与人类驾驶汽车（HVs）在道路上共存。目前，安全且可靠的决策仍然是重大挑战，特别是当自动驾驶汽车在变道以及与周围HVs交互时。因此，对周围HVs意图的准确估计可以帮助AVs做出更可靠、更安全的变道决策。这不仅涉及理解周围HVs的当前行为，还在没有任何直接通信的情况下预测其未来运动。然而，区分周围HVs的通行和避让意图仍然是模糊的。为了应对这一挑战，本文提出了一种基于有向无环图（DAG）的社会意图估计算法，并且结合了采用深度强化学习（DRL）算法的决策框架。为了评估该算法的性能，所提出的框架在仿真环境中被测试并且应用于变道场景。此外，实验结果证明了所提出的方法如何提高自动驾驶汽车在道路上安全且高效变道的能力。
主要贡献
本文的贡献总结如下：
1）本文将社会价值取向（SVO）的概念嵌入到有向无环图（DAG）中，以建模和推断在变道冲突情况下周围HVs的通行和避让意图；
2）本文提出了一种新的决策框架，它集成了概率社会意图估计模块。该模块估计了相邻交通参与者的驾驶意图，并且将意图概率用作自动变道规划的DRL策略中状态表示的一部分；
3）本文实现了所提出的方法并且在仿真的高速公路驾驶环境中对其进行评估。结果表明，该框架在变道操作下的安全性和效率方面超越了现有的基线。
论文图片和表格
总结
本文提出了一种基于深度强化学习（DRL）的新型决策框架，它显式地考虑了周围HVs的驾驶意图，以应对高级变道决策所带来的挑战。本文方法包括两个关键组成部分。首先，本文通过将社会价值取向（SVO）集成到贝叶斯网络（BN）来开发一个社会意图估计模型，以表示周围车辆的社会偏好。其次，本文将该估计模型嵌入到DRL框架内，使得决策过程能够更有效地推断并且适应周围HVs的意图。本文通过大量仿真验证了所提出方法的有效性，证明了其在效率和安全性方面的显著提升。本文框架通过使自动驾驶汽车能够做出更明智的变道决策，不仅提高了AVs的安全性，还促进了与HVs的友好交互。
未来工作将着重于开发一种高效的多智能体DRL算法，它能够处理日益复杂和大规模的交通场景。此外，增强最先进决策算法的鲁棒性和适应性对于确保其在涉及多辆汽车交互的现实世界交通环境中的有效性是至关重要的。
发表回复