基于光滑 Mamba 深度强化学习的车辆类型相关行人碰撞规避行为建模
人工智能
2026-05-28 v1
摘要
随着自动驾驶车辆 (AV) 日益与人驾驶车辆 (HDV) 共享道路，理解行人如何在安全关键交互中响应不同车辆类型对自动驾驶技术的安全部署至关重要。该研究从 Argoverse 2 数据集中提取安全关键的行人-车辆交互，以捕捉 AV 与 HDV 场景下行人碰撞规避行为。为建模车辆类型相关的行人碰撞规避行为，我们开发了 Smooth-Mamba 深度确定性策略梯度框架，称为 SMamba-DDPG，将光滑动作约束与高效时序表示学习集成。为量化行人行为差异，该框架为行人与 AV 以及 HDV 的交互分别训练碰撞规避政策。结果表明，SMamba-DDPG 在再现行人碰撞规避行为方面优于基线强化学习和监督学习模型。重构的轨迹显示出强烈的行为真实性，准确再现 AV 和 HDV 场景下的碰撞规避动力学。反应时间分析表明，该模型捕捉到了人类一致的响应延迟，并指出行人对 AV 的反应速度快于对 HDV。反事实分析进一步表明，行人在与 AV 交互时采用的跨越速度较低。大规模安全分析显示，模型生成数据的行人-AV 交互持续产生更低的冲突率和更高的行人让让率，与行人-HDV 交互相比。这些发现凸显了在混合交通环境中纳入车辆类型相关的行人行为模型对更安全的自动驾驶系统设计以及更真实的交通仿真至关重要。
引用
@article{arxiv.2605.28552,
title = {Modeling Vehicle-Type-Specific Pedestrian Crash Avoidance Behavior in Safety-Critical Interactions Using Smooth-Mamba Deep Reinforcement Learning},
author = {Qingwen Pu and Kun Xie and Hong Yang and Di Yang and Junqing Wang},
journal= {arXiv preprint arXiv:2605.28552},
year = {2026}
}
备注
37 page. 15 Figure, 9 table