混合自主系统中的信任感知具身贝叶斯说服
机器人学
2025-09-22 v1
摘要
自动驾驶车辆（AVs）与人类驾驶车辆（HVs）之间的安全高效交互是未来交通系统的关键挑战。虽然博弈论模型捕捉了AV如何影响HVs，但它们往往受到影响的长期衰减，并且可能被视为操纵性的，从而侵蚀人类的信任。这可能 paradoxically 导致重复交互中人类驾驶行为变得更加冒险。在本文中，我们通过提出信任感知具身贝叶斯说服（TA-EBP）框架来解决这一挑战。我们的工作做出了三项关键贡献：第一，我们将贝叶斯说服应用于建模交通路口处的通信，为传统博弈论模型提供了一种透明的替代方案。第二，我们向说服框架引入信任参数，推导出影响所需的最小信任水平定理。第三，我们将贝叶斯说服理论的抽象信号映射到连续、物理上有意义的动作空间，推导出最优信号幅度的定理，其实现为AV的前向轻推。此外，我们在混合自主交通模拟中验证了我们的框架，证明TA-EBP成功说服HVs更加谨慎地驾驶，消除了碰撞并改善了交通流，优于忽略信任或缺乏通信的基线方法。我们的工作为人类-机器人交互中的影响提供了一种透明且非策略性的框架，增强了安全性和效率。
引用
@article{arxiv.2509.15404,
title = {Trust-Aware Embodied Bayesian Persuasion for Mixed-Autonomy},
author = {Shaoting Peng and Katherine Driggs-Campbell and Roy Dong},
journal= {arXiv preprint arXiv:2509.15404},
year = {2025}
}