面向时变交通流的自主车安全优先人类化决策
人工智能
2025-06-18 v1
摘要
尽管近期人工智能技术在提高交通效率和安全性方面显示出巨大潜力，但自主车（AVs）仍面临在时变交通流中的驾驶挑战，尤其是在密集和互动情境下。同时，人类通常拥有自由意志，即使在完全相同的情境下也往往做出不同的决策，这导致数据驱动方法 suffer于迁移性差和高搜索成本问题，降低行为策略的效率和效果。为此，本研究提出了一种面向自主车的安全优先人类化决策框架（SF-HLDM），旨在实现安全、舒适且符合社交规范的高效驾驶。在框架中，我们引入了分层渐进式框架，结合空间时间注意力（S-TA）机制进行对其他道路使用者意图推断，引入社交合规性估计模块进行行为调节，并采用深度演化强化学习（DERL）模型高效有效地扩大搜索空间，避免陷入局部最优陷阱，减少过拟合风险，从而实现具有可解释性和灵活性的人类化决策。SF-HLDM框架使自动驾驶AI代理能够在保持安全裕度的同时，动态调整决策参数，遵循情境特定的驾驶行为。
引用
@article{arxiv.2506.14502,
title = {Toward Safety-First Human-Like Decision Making for Autonomous Vehicles in Time-Varying Traffic Flow},
author = {Xiao Wang and Junru Yu and Jun Huang and Qiong Wu and Ljubo Vacic and Changyin Sun},
journal= {arXiv preprint arXiv:2506.14502},
year = {2025}
}