為了導航動態環境，自動駕駛汽車(AV)應該能夠處理他們可用的所有信息并使用它來生成有效的駕駛策略。加州大學伯克利分校的研究人員最近提出了一種社會感知方案，用于規劃自動駕駛汽車的行為，這有助于開發更好的AV，以應對周圍環境的不確定性。

“我的研究主要集中在如何為自動駕駛汽車設計類似人類的駕駛行為，”進行這項研究的研究人員之一Liting Sun告訴TechXplore。“我們的目標是建立不僅能夠理解人類行為，而且能夠在多個方面以類似方式執行的AV ，包括感知，推理和行動。”

Sun和她的同事觀察到，人類駕駛員傾向于將其他車輛視為動態障礙，通常會從他們在路上的行為中推斷出其他信息。該信息通常是被遮擋的環境信息或物理上不可檢測的社交信息。

“對于AV來說，以同樣的方式行事將是非常重要和有益的，因為這將使他們更聰明，更像人，最終更安全，”Sun說。“在這項工作中，我們讓AV將所有其他道路參與者視為動態和分布式傳感器。”

Sun及其同事提出的社交感知方案基本上將傳感器分布在傳感器網絡中的所有車輛和道路上的障礙物都視為對象。這允許AV觀察個體行為和群體行為，使用他們的觀察來統一更新“信念空間”內的不同類型的不確定性。該方案特別關注物理狀態不確定性(例如由遮擋或有限的傳感器范圍引起)和社會行為不確定性(例如，本地駕駛偏好)。

該方案然后將更新的社會感知信念與基于模型預測控制(MPC)的概率規劃框架相結合，其中成本函數通過逆強化學習(IRL)來學習。概率規劃模塊和社會增強感知之間的這種組合允許車輛產生社會兼容的防御行為，因此不會過于嚴格。

“通過觀察他人的行為并將其與先前的行為模型進行比較，AV可以僅使用自己的傳感器來推斷不可檢測變量的可能狀態，”Sun說。“這可以幫助AV減少感知不確定性，就像人類一樣。與其他現有方法相比，這項工作的想法有效地擴展了AV的感知能力，無需任何額外的硬件，并且可以幫助產生更安全和更有效的機動。 “

Sun和她的同事在一系列模擬中評估了他們的框架，其中包含具有傳感器遮擋的代表性場景。他們發現，通過模仿人類的社會感知機制，感知模塊檢測到的不確定性較少，最終通過非保守的防御計劃生成更安全，更有效的AV行為。

“實際上，這個不錯的功能可以使AV在遮擋的情況下更有效，并且在新的駕駛環境中更具適應性，因為他們可以快速推斷和了解周圍環境中無法檢測到的社會信息，”Sun解釋道。

在未來，這個研究團隊設計的社會感知方案可以為自動駕駛汽車的發展提供信息，這種汽車可以更有效地駕馭不斷變化的環境。Sun和她的同事現在正計劃進一步發展他們的框架，改變一些假設并使其更容易應用于現實生活中。

“為了從其他道路參與者的行為中推斷出額外的不確定信息，AV應該配備先前的行為模型，可以近似其他道路參與者的實際行為，”Sun解釋道。“在目前的工作中，我們假設所有其他道路參與者都是理性優化者，并通過獎勵函數來近似他們的行為生成模型。在我們未來的工作中，我們將放松理性假設，使近似更加實用。”