向可解释的人机交互迈进：针对遮挡行人场景的主动推断方法
人机交互
2026-02-27 v1
摘要
遮挡行人的突然出现是自动驾驶中的关键安全挑战。常规基于规则或纯数据驱动的方法难以处理这些长尾场景的固有高度不确定性。为此，我们提出一种基于主动推断的新框架，赋予代理人一种类人且基于信念的机制。我们的框架利用 Rao-Blackwellized Particle Filter (RBPF) 来高效估计行人的混合状态。为模拟不确定性下的类人认知过程，我们引入条件信念重置机制和假设注入技术，以显式建模行人对多个潜在意图的信念。通过交叉熵方法（CEM）增强的模型预测路径积分（MPPI）控制器实现规划，该控制器将 CEM 的高效迭代搜索与 MPPI 的固有鲁棒性相结合。仿真实验表明，我们的方法在对抗性、基于规则和强化学习（RL）基准方法下显著降低了碰撞率，同时展现出可解释且类人的驾驶行为，反映代理人内部信念状态。
引用
@article{arxiv.2602.23108,
title = {FuturePrism: Supporting Adolescence in Collaborative Storytelling to Cope with Future Uncertainty},
author = {Yonglin Chen and Pengcheng An and Xueliang Li},
journal= {arXiv preprint arXiv:2602.23108},
year = {2026}
}