[论文解读] Human-like Driving Decision at Unsignalized Intersections Based on Game Theory

Daofei Li, Guanming Liu+1 more|arXiv (Cornell University)|Dec 12, 2021

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本文提出了一种基于博弈论的框架，用于在无信号交叉口实现类人驾驶决策，利用前景理论将碰撞风险映射为主观收益，并通过概率模型对驾驶员加速度倾向进行建模。该方法在安全的两车交互中实现了98%的成功率，同时保持了速度效率，在两车和四车场景中均得到验证。

ABSTRACT

Unsignalized intersection driving is challenging for automated vehicles. For safe and efficient performances, the diverse and dynamic behaviors of interacting vehicles should be considered. Based on a game-theoretic framework, a human-like payoff design methodology is proposed for the automated decision at unsignalized intersections. Prospect Theory is introduced to map the objective collision risk to the subjective driver payoffs, and the driving style can be quantified as a tradeoff between safety and speed. To account for the dynamics of interaction, a probabilistic model is further introduced to describe the acceleration tendency of drivers. Simulation results show that the proposed decision algorithm can describe the dynamic process of two-vehicle interaction in limit cases. Statistics of uniformly-sampled cases simulation indicate that the success rate of safe interaction reaches 98%, while the speed efficiency can also be guaranteed. The proposed approach is further applied and validated in four-vehicle interaction scenarios at a four-arm intersection.

研究动机与目标

• 解决在具有动态、不可预测车辆交互的无信号交叉口实现安全高效自动驾驶的挑战。
• 通过量化安全与速度之间的权衡（以主观收益表示），对类人驾驶行为进行建模。
• 通过驾驶员加速度倾向的概率模型，整合动态交互影响。
• 在复杂的四车交叉口场景中验证决策框架。
• 在无交通信号的条件下，实现自动驾驶决策的高安全性和高效率。

提出的方法

• 设计了一种基于博弈论的决策框架，用于模拟自动驾驶车辆与人类驾驶车辆在无信号交叉口的交互。
• 应用前景理论将客观碰撞风险转换为主观驾驶员收益，以捕捉风险感知与行为权衡。
• 通过收益函数量化驾驶风格，体现安全（低风险）与速度（高效率）之间的平衡。
• 引入概率模型，以表示人类驾驶员在交互过程中的随机加速度行为。
• 收益函数整合了风险感知与行为动态，以实现实时引导自动驾驶车辆决策。
• 通过仿真在两车极限情况和四车四向交叉口场景中评估该框架。

实验结果

研究问题

• RQ1 自动驾驶车辆如何在基础设施最少的无信号交叉口实现类人决策？
• RQ2 如何建模主观驾驶员收益，以反映现实世界中安全与速度之间的权衡？
• RQ3 驾驶员加速度的概率建模在提升交互可预测性方面发挥什么作用？
• RQ4 所提出的博弈论方法在复杂多车交叉口场景中的表现如何？
• RQ5 该方法能否在动态交通交互中同时实现高安全性和可接受的速度效率？

主要发现

• 所提方法在均匀采样的仿真案例中，实现了98%的两车交互安全成功率。
• 通过风险感知收益建模，该框架在确保安全的同时保持了高效率。
• 仿真结果表明，在两车交互的极限情况下，行为稳定且类人。
• 该方法成功推广至四向四车交叉口交互，保持了鲁棒性。
• 前景理论的整合实现了决策中驾驶员风险感知的准确表示。
• 驾驶员加速度倾向的概率模型增强了决策算法的现实感与适应性。