[论文解读] Decision Making for Autonomous Vehicles at Unsignalized Intersection in Presence of Malicious Vehicles

Sasinee Pruekprasert, Xiao–Yi Zhang+3 more|arXiv (Cornell University)|Apr 23, 2019

Traffic control and management参考文献 22被引用 6

一句话总结

本文提出了一种针对无信号交叉口的自动驾驶车辆博弈论决策框架，利用纳什均衡根据车辆自我感知的优先级（神圣型，即守法；中间型，即适度；恶意型，即自私/非理性）来解决冲突。该方法将交通交互建模为完全信息下的序贯博弈，车辆根据其对路权的信念理性行动，通过数值仿真展示了对不可预测行为的鲁棒性，碰撞率低至0%，并能有效应对涉及行为异常车辆的危险场景。

ABSTRACT

In this paper, we investigate the decision making of autonomous vehicles in an unsignalized intersection in presence of malicious vehicles, which are vehicles that do not respect the law by not using the proper rules of the right of way. Each vehicle computes its control input as a Nash equilibrium of a game determined by the priority order based on its own belief: each of non-malicious vehicle bases its order on the law, while a malicious one considers itself as having priority. To illustrate our method, we provide numerical simulations, with different scenarios given by different cases of malicious vehicles.

研究动机与目标

• 解决自动驾驶车辆在无信号交叉口的安全高效决策问题，此类交叉口的交通规则不由信号强制执行。
• 对自动驾驶车辆与无视路权规则的恶意或非理性驾驶员之间的交互进行建模。
• 开发一种可扩展的博弈论框架，基于每辆车对优先级的信念计算纳什均衡，确保安全与效率。
• 通过包含神圣型、中间型和恶意型车辆的多样化场景仿真，验证该方法的鲁棒性。
• 展示该框架在部分车辆行为不可预测或自私时仍能防止碰撞并管理拥堵的能力。

提出的方法

• 决策过程被建模为完全信息下的序贯博弈，每辆车根据其对优先级的信念计算其控制输入作为纳什均衡。
• 车辆被分为三类：神圣型（遵守路权规则）、中间型（部分遵守规则）和恶意型（自我优先或行为非理性）。
• 优先级顺序由每辆车的信念决定：神圣型车辆使用正式的路权规则，而恶意型车辆则无论实际规则如何都假定自己拥有优先权。
• 系统基于车辆状态和意图的形式化优先级，实现在出现意外行为时对决策顺序的动态重新评估。
• 控制输入源自博弈论优化，加速度输入从离散集合中选择：[-50, -50, -50] 表示减速，[0,0,0] 表示无加速度，[10,0,0] 或 [20,0,0] 表示加速。
• 对于非理性车辆，加速度从 {-50, 0, 10, 20} m/s² 中随机选择，以模拟不可预测行为。

实验结果

研究问题

• RQ1 当自动驾驶车辆与无视路权规则的恶意驾驶员共享道路时，如何确保其在无信号交叉口的安全通行？
• RQ2 基于纳什均衡的博弈论方法在混合交通（包含理性和非理性车辆）中，在多大程度上能确保安全与效率？
• RQ3 基于信念的优先级系统能否有效建模现实中车辆对交通法规遵守程度不同的真实交通动态？
• RQ4 非理性或自私车辆的存在如何影响碰撞率、拥堵程度及交叉口整体吞吐量？
• RQ5 所提出的方法是否足够鲁棒，能够实现实时决策中应对恶意车辆突然且不可预测的机动行为？

主要发现

• 在四辆神圣型车辆的仿真中（案例1），碰撞率为0%，平均总时间为56.87步（5.687秒），表明通行安全且高效。
• 当一辆车辆为恶意型时（案例2），碰撞率仍为0%，平均时间减少至53.98步（5.398秒），表明自私车辆通过迫使其他车辆让行，简化了决策过程。
• 在存在非理性车辆的场景中（案例4），碰撞率上升至0.4%，且在4.0%的仿真中出现拥堵，表明该方法能有效处理不可预测行为。
• 在非零初始速度条件下（案例1’–4’），由于决策时间减少，拥堵有所增加，但总时间更短，因初始速度更高。
• 该方法成功处理了一个危险场景（图4），其中一辆非理性车辆突然停车并重新启动，引发其他车辆的动态重新优先排序，并实现安全避让。
• 即使在无神圣型车辆的情况下（案例3和3’），该方法仍保持安全与稳定，表明中间型车辆的优先级重新评估机制具有鲁棒性。