迈向可理解的人机交互：遮挡行人场景下的主动推断方法

被遮挡行人的突然出现给自动驾驶带来了严峻的安全挑战。传统的基于规则或纯数据驱动的方法难以应对这些长尾场景中固有的高不确定性。为应对这一挑战，我们提出了一种基于主动推断（Active Inference）的新框架，该框架赋予智能体类似人类的、由信念驱动的机制。我们的框架利用 Rao-Blackwellized 粒子滤波器（RBPF）来高效估计行人的混合状态。为了在不确定性下模拟人类认知过程，我们引入了条件信念重置机制和假设注入技术，以显式建模对行人多种潜在意图的信念。规划通过交叉熵方法（CEM）增强的模型预测路径积分（MPPI）控制器实现，该方法协同了 CEM 的高效迭代搜索与 MPPI 的固有鲁棒性。仿真实验表明，与反应式、基于规则和强化学习（RL）基线相比，我们的方法显著降低了碰撞率，同时展现出可解释的、类似人类的驾驶行为，反映了智能体的内部信念状态。