轨迹熵：从多模态轨迹预测中建模游戏状态稳定性

复杂的智能体间相互作用是实际场景中自动驾驶面临的重大挑战。最近涌现出一种有前景的methods，将智能体的相互作用建模为层级博弈框架。该框架有效地通过层级博弈层级来解耦智能体的策略。然而，该框架忽略了智能体之间驱动复杂度的差异以及跨博弈层级智能体状态的动态变化，统一对待这些因素。导致该框架引入冗余且易出错的计算。为解决此问题，本文提出一种度量指标，称为轨迹熵，用于揭示层级博弈框架中智能体的博弈状态。关键洞察源于识别智能体策略不确定性与其驱动复杂度之间的内在关系。具体而言，轨迹熵从层级博弈框架中智能体的多模态轨迹预测结果中提取表示不确定性的统计信号。然后，利用该信号的信噪比来量化智能体的博弈状态。基于所提出的轨迹熵，我们通过一种简单的门控机制对当前的层级博弈框架进行优化，显著提高整体准确率的同时降低计算成本。我们在Waymo和nuPlan数据集上对该方法进行评估，考察轨迹预测、开环和闭环规划任务。结果表明，该方法达到了状态最佳性能，预测准确率提升最高可达19.89%，规划准确率提升最高可达16.48%。