基于分解式多代理生成对抗仿真学习的真实交通行为学习
机器学习
2026-01-27 v2 人工智能
机器人学
摘要
真实的交通仿真对于自动驾驶系统和城市交通规划至关重要，但现有的仿真学习方法常常难以建模真实的交通行为。行为克隆受协变量漂移的影响，生成对抗式仿真学习（GAIL）在多代理环境中也极不稳定。我们识别到这种不稳定性的关键来源：无关互动误导，即判别器因邻居之间不切实际的互动而对ego车的真实行为进行惩罚。为解决此问题，我们提出分解式多代理GAIL（DecompGAIL），其显式地将现实性分解为ego图和ego邻居组件，过滤掉误导性的邻居互动。我们进一步引入社交PPO目标，通过距离加权的邻域奖励来增强ego奖励，以鼓励整个代理群体的整体现实性。集成到轻量级SMART基座后，DecompGAIL在WOMD仿真代理2025基准测试中实现了最先进的性能。
引用
@article{arxiv.2510.06913,
title = {DecompGAIL: Learning Realistic Traffic Behaviors with Decomposed Multi-Agent Generative Adversarial Imitation Learning},
author = {Ke Guo and Haochen Liu and Xiaojun Wu and Chen Lv},
journal= {arXiv preprint arXiv:2510.06913},
year = {2026}
}
备注
accepted by ICLR