自动驾驶汽车的社会兼容行为设计及真实人类数据验证

随着越来越多的自动驾驶汽车（AV）被部署在公共道路上，为它们设计社会兼容的行为变得越来越重要。为了生成安全且高效的行动，AV 不仅需要预测其他交通参与者的未来行为，还需要意识到与这种行为预测相关的不确定性。在本文中，我们提出了一个不确定性感知的集成预测与规划（UAPP）框架。它允许 AV 在线推断其他道路使用者的特征，并生成不仅优化自身奖励，还优化对他人的礼让以及对预测不确定性信度的行为。我们首先提出了礼让和信度的定义。在此基础上，探讨了它们在交互式驾驶场景中对 AV 行为的影响。此外，我们通过将生成的行为与真实值进行比较，在自然人类驾驶数据上评估了所提出的算法。结果表明，在线推断可以显著提高生成行为的类人性。此外，我们发现人类驾驶员对他人表现出极大的礼让，即使是对那些没有路权的人。我们还发现，这种驾驶偏好在不同文化中存在显著差异。