有界理性下分层博弈中的解概念及其在自动驾驶中的应用

随着自动驾驶车辆(AV)进一步融入常规人类交通，将AV运动规划视为多智能体问题已达成日益广泛的共识。然而，传统博弈论中的完全理性假设对于人类驾驶而言过于严格，需要通过行为博弈论的视角将人类驾驶理解为有界理性活动。为此，我们适配了四种有界理性行为的元模型：三种基于Quantal level-k，一种基于带quantal误差的纳什均衡。我们形式化了在分层博弈(一种用于多智能体运动规划的框架)背景下可应用的不同解概念，以建立驾驶行为的博弈论模型。此外，基于一个贡献的、在繁忙城市交叉口采集的人类驾驶数据集(总计约4k个智能体与44k个决策点)，我们根据对自然数据的模型拟合度以及预测能力来评估这些行为模型。我们的结果表明，在所评估的行为模型中，在机动动作层面上，将驾驶行为建模为Quantal level-k模型的变体(其中0层行为建模为纯规则遵循)对自然驾驶行为提供了最佳拟合。在轨迹层面上，动作的有界采样与maxmax非策略模型在比较的模型集中最为准确。我们还发现情境因素对行为模型性能有显著影响。