基于拓扑辫子的交通场景多智能体交互分析

我们关注交通领域中多智能体交互分析的问题。理解真实世界交通的行为空间，可能为算法设计、数据驱动方法和基准测试带来显著优势。然而，该空间的高维性以及人类行为的随机性，可能阻碍重要交互模式的识别。我们的核心见解是，交通环境具有显著的几何与时间结构，导致高度组织的集体行为，且往往来源于一小部分主导模式。在本工作中，我们提出一种基于拓扑辫子形式化的表示，可将任意复杂的多智能体行为总结为兼具几何与符号双重性质的紧凑对象，捕捉关键的交互事件。该表示使我们能够正式枚举交通场景中的结果空间并刻画其复杂性。我们通过近期驾驶数据集的案例研究，阐明了所提表示在总结真实世界交通行为关键方面的价值。我们表明，尽管真实世界交通密集，观测行为往往遵循低交互的高度组织模式。我们的框架可能是评估驾驶数据集丰富度，以及合成设计均衡训练数据集或基准的有价值工具。