具有社会感知的自动驾驶汽车行为规划

自动驾驶汽车必须在充满不确定性的动态环境中行驶。这些不确定性可能来自传感器限制（如遮挡和有限的传感器范围），或来自对其他道路参与者的概率预测，或来自未知区域中的未知社会行为。为了在这些不确定性存在的情况下安全高效地驾驶，自动驾驶汽车的决策和规划模块应智能利用所有可用信息并妥善处理不确定性，从而生成适当的驾驶策略。在本文中，我们提出了一种社会感知方案，将所有道路参与者视为传感器网络中的分布式传感器。通过观察个体行为以及群体行为，可以在信念空间中统一更新这三类不确定性。来自社会感知的更新信念随后被显式地整合到基于模型预测控制（MPC）的概率规划框架中。MPC 的代价函数通过逆向强化学习（IRL）学习。这种集成的具有社会增强感知的概率规划模块使自动驾驶车辆能够生成防御性但不过度保守且社会兼容的行为。所提出框架的有效性在具有传感器遮挡的代表性场景的仿真中得到了验证。