基于超游戏理论的人车认知建模与人驾车轨迹意图解释
系统与控制
2025-10-20 v1 多智能体系统
系统与控制
摘要
随着连接自主车辆(CAVs)的实际应用，交通系统预计会长期保持CAVs与人驾车(HVs)混合的局面。为提升安全性和交通效率，CAVs的轨迹规划策略必须考虑HVs的影响，因而需要精准的HVs轨迹预测。当前研究常假设人类驾驶员拥有对所有车辆目标的完美认知，这种假设不切实际。本文通过超游戏理论(hypergame theory)弥合了这一差距，考虑到HVs的认知和感知局限性。我们在不将人驾驾员仅仅建模为被动跟随者的前提下，构建了捕捉车辆之间认知关系的层次化认知建模框架。我们进一步分析了系统的认知稳定性，证明当CAVs准确学习HVs参数时，所有车辆采用认知均衡策略的策略配置构成超纳什均衡(hyper Nash equilibrium)。为实现此目标，我们开发了一种基于车辆到一切(V2X)通信的分布式意图解释逆学习算法，使框架适用于离线和在线场景。此外，我们引入一种基于所学参数的实时分布式轨迹预测和规划方法。高速路车道变换情景的仿真结果表明，所提方法在参数学习方面准确且对噪声轨迹观测具有鲁棒性，能够实现HVs轨迹预测的安全性。结果验证了该方法在离线和在线实现中的有效性。
引用
@article{arxiv.2510.15573,
title = {Hypergame-based Cognition Modeling and Intention Interpretation for Human-Driven Vehicles in Connected Mixed Traffic},
author = {Jianguo Chen and Zhengqin Liu and Jinlong Lei and Peng Yi and Yiguang Hong and Hong Chen},
journal= {arXiv preprint arXiv:2510.15573},
year = {2025}
}