人类驾驶中揭示的多目标效用聚合
人工智能
2026-02-02 v1
摘要
博弈论分析中的一个核心设计问题是玩家效用的估计。在包括人类驾驶在内的许多真实世界人机决策交互情境中，效用本质上为多目标；因此，估计聚合参数（即将多目标效用映射为标量值）成为博弈构建的重要部分。然而，由于大量不可观测因素，包括底层的聚合模态以及生成该观测的可能有限理性行为模型，从观测数据估计该参数引入了若干挑战。基于可理性化（rationalisability）的概念，我们针对两种常见聚合方法（加权聚合与满足式聚合）以及策略与非策略推理模型，开发了估计多目标聚合参数的算法。基于三个不同数据集，我们提供了关于人类驾驶员如何聚合安全与进展效用，以及聚合过程的情境依赖性的见解。此外，我们表明无论用于求解博弈的具体解概念如何，数据驱动的效用聚合估计都显著提升了行为模型相对于观测人类行为的预测精度。
引用
@article{arxiv.2303.07435,
title = {Revealed Multi-Objective Utility Aggregation in Human Driving},
author = {Atrisha Sarkar and Kate Larson and Krzysztof Czarnecki},
journal= {arXiv preprint arXiv:2303.07435},
year = {2026}
}